Якою насправді є роль бізнес-аналітика в дата-проєктах

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

Мене звати Володимир Довганик і основна моя компетенція це бізнес-аналіз. На останній конференції УБАК-2025 я ділився думками про роль і виклики бізнес-аналітика на дата-проєктах. Тема знайшла відгук в колег, тож викладу коротке і переосмислене реноме доповіді і тут.

Всі ми звикли до бізнес-аналітиків на проєктах, пов’язаних з розробкою нових програмних продуктів, міграцією існуючих чи зміною процесів, але яка їхня роль в проєктах, пов’язаних з даними? В цій статті розглянемо, чому зростає інтерес до дата-проєктів, які виклики вони ставлять перед бізнес-аналітиками та які додаткові очікування від БА виникають саме в контексті роботи з даними.

Почнемо з того що всі програмні продукти використовують дані в тому чи іншому вигляді. Вони їх якось збирають, опрацьовують, кудись зберігають і якось нам їх показують чи роблять дії на основі їх аналізу. Але погодьтеся, є різниця між мобільною аплікацією, де ви відслідковувати погоду і комплексним рішенням, яке визначає ціну на поїздку машиною, враховуючи попит, історичний контекст, погоду та ще багато чого. Дані і там і там, але вага чи центричність навколо них, безумовно, різна.

В межах статті мова йтиме про проєкти, пов’язані зі збором, консолідацією, обробкою та побудовою аналітики на основі даних; про таких собі дата-важковаговиків.

Чому саме дата-проєкти

Робота з даними не є чимось новим, проте останнім часом спостерігається значний сплеск інтересу до дата-проєктів, спричинений кількома ключовими факторами. Ну, по-перше, даних стало більше. Так-так, я знаю, що ви це неодноразово чули — тому графік замість тисячі слів.

Source Statista, Bernard Marr & Co.

Також стали доступнішими й інструменти для обробки даних.

Робота і аналіз з даними перестав бути даром обраних і активно інфільтрувався в щоденне життя. Всі збирають метрики, намагаютьсяухвалювати data-driven рішення і будувати свої залежності — чи в простому екселі, чи в просунутіших інструментах, як-от PowerBI чи Tableau. Ну і куди ж без AI — поява Generative AI тільки загострила інтерес до такого плану рішень. А от для побудови якісного AI потрібні дані, зібрані і структоровані.

Типи дата-проєктів

Як ми вже говорили, кожен програмний продукт має дані як один із вимірів. Але що лежить під капотом data-heavy проєктів? Якщо дивитися саме через призму даних, можна виділити дві великі групи:

1. Побудова сховищ даних — створюється консолідована дата-інфраструктура.
2. Використання вже існуючих даних для їхньої монетизації, наприклад, побудова AI-рішень або системи звітності.

Часто це може бути одна ініціатива, розділена на декілька етапів, які містять і побудову Data Warehouse, і відповідно аналітики на ньому.

Уявімо собі великий і страшний корпоративний enterprise. У нього багато відділів-департаментів і зачасту вони використовують різне спеціалізоване ПЗ. Десь між ними є точки синхронізації, як, наприклад, ERP-система, а десь стара добра екселька, в якій дані одного відділу передаються для аналізу іншому.

На певному рівні зрілості організації виникає потреба будувати звіти, робити аналітику, яка виходить за рамки одного-бізнес домена. Отут і йдеться про побудову централізованого сховища даних, яке, по-перше, буде пристосоване не просто для збереження трансакційних даних, але і для аналізу чи репортингу, а, по-друге, буде консолідувати дані з багатьох джерел. Завдання такого Data Warehouse чи Data Lake зібрати інформацію з різних систем, очистити, трансформувати і представити у вигляді, який буде зручний і необхідний для використання в аналізі чи звітах.

Незважаючи на те, в якому стані наші консолідовані (чи не дуже) дані, бізнесу потрібні звіти і аналітика. І тут постає питання побудови дата-продуктів, які використовують наявні дані, щоб дати відповіді на бізнес-питання або відкрити нові можливості.

Мабуть, це і є основна мотивація, чому інвестують і закопуються в дані. Варіативність проєктів тут досить висока — це і побудова дашбордів, і створення АІ-рішень, наприклад, рекомендаційних алгоритмів для сайту ecommerce, і імплементація Generative AI.

Проте є додатковий профіль ініціатив, які на перший погляд не прямо про дані, але мають на на них безпосередній вплив. І це проєкти трансформації чи модернізації технологічного ландшафту компанії. Уявімо ситуацію, коли компанія в рамках такої модернізації переходить з on-premises в хмари або мігрує з самописних систем на SaaS-рішення, переписує моноліт на мікросервіси. Разом із цим треба забезпечити стабільність існуючих дата-рішень, тяглість даних (business continuity) та й вдалий момент модернізувати чи запровадити нові дата-рішення...

Діяльність бізнес-аналітика в дата-проєктах

А тепер давайте до бізнес-аналізу. Яка роль бізнес-аналітика на проєкті? Зрозуміти

проблему, визначити вимоги і обмеження, які впливатимуть на рішення, допомогти пріоритизувати і промалювати роадмапу, оцінити, наскільки добре функціонує впроваджене рішення. І піти на наступну ітерацію, коли це потрібно.

Чи робота бізнес-аналітика на проєктах, пов’язаних з даними, абсолютно інша, ніж на «звичайних» проєктах? Ні, бізнес-аналітик працює в тих самих областях знань та виконує ті самі завдання відповідно до BABOK. Проте накладається певний відбиток, продиктований природою таких проєктів.

Ключові навички бізнес-аналітика у дата-проєктах

Саме вищеописана специфіка потребує додаткових знань і навичок від бізнес-аналітика. Бізнес-аналітик у Data-проєктах це не окремий фахівець, а скоріше бізнес-аналітик, який володіє додатковим інструментарієм, пов’язаним зі роботою з даними.

І в першу чергу хочеться поговорити про техніки з ВАВОК, які допомагають бізнес-аналітику давати собі раду з даними. Безумовно, від БА на дата-проєкті ви будете очікувати навички моделювання даних (наприклад, ER-діаграми), опису каталогів даних (Data Dictionary), формування та підтримки глосарію. Оскільки дані не самоціль, а інструмент в нагоді БА стане і розуміння підходів до побудови КРІ та візуалізації даних на звітах та дашбордах.

Ми декілька разів згадували про те, що дані не беруться нізввідки — вони відображають один з поглядів на процеси і діяльність компанії. А отже, моделювання та аналіз бізнес-процесів, володіння відповідними нотаціями та аналіз бізнес-правил дозволять ґрунтовніше зрозуміти контекст проєкту та природу даних.

І безумовно, бізнес-аналітику стане в нагоді розуміння технічних концептів, таких як базові знання SQL, розуміння структурованих і неструктурованих даних, концепцій Data Lake і Data Warehouse, а також практик управління даними (Data Governance, Data Quality). А в світлі зростання інтересу до генеративного штучного інтелекту — базове розуміння концепцій AI та машинного навчання (включаючи усвідомлення, що AI не обмежується лише Generative AI), задач, які вони вирішують.

Виклики для бізнес-аналітика у дата-проєктах

Кожен проєкт має свої виклики і труднощі, але спробуємо розглянути, що може піти не так саме на проєктах, пов’язаних з даними.

Перше і деколи найбільш неочевидне для бізнесу, це час, необхідний для побудови якісного рішення. Часто дата-проєкти мають інфраструктурний характер, тобто потрібно витрати досить багато часу і зусиль для того, щоб вони почали приносити цінність. Безумовно, можна робити прототипи, РоС і брати технологічний борг, але побудова цілісного, якісного дата-рішення може бути часозатратна.

Інший аспект — це сама природа даних. Вони не виникають нізвідки, вони є відображенням бізнес-процесів компанії, тому доведеться зрозуміти, внаслідок яких процесів дані були згенеровані, в яких системах чи яким способом вони збиралися та як до нас потрапили. Цікавим питанням, яке виникає при міграції з існуючих рішень, є: «А це так має бути, чи так історично склалося в силу обставин, обмежень існуючих систем?».

З цієї природи також випливає такий аспект, що зачасту доводиться виходити за рамки одного бізнес-домену і починати розбирати роботу слабо інтегрованих відділів (наприклад, поєднання фінансів, операційної діяльності та HR).

Про Enterprise-культуру написано досить багато, проте зверніть увагу, що вона також впливає на те, як люди звикли взаємодіяти з даними. Чи готові вони на компроміси для досягнення кращого результату? Чи готові до співпраці між департаментами? Чи data-retention правила сформовані на основі бізнес-потреб, чи внаслідок уставленої корпоративної традиції?

У мене немає універсальних інструментів, які за помахом чарівної палички адресують всі вищеперелічені виклики, проте хочу поділитися кількома аспектами, що можуть в цьому допомогти.

Управляйте очікуваннями

Так, дата-проєкти можуть бути довготривалими та вимагати значних інвестицій перед отриманням відчутних результатів, але це не забороняє створювати MVP та перші версії на недосконалих даних чи з технологічним боргом. Коли мова йде про побудову нового і складного рішення на початку, всі горять великою ідеєю, проте якщо її не підживлювати досягненнями, цей вогонь починає затухати або переключатися на нову геніальну ідею.

Завдання бізнес-аналітика — знайти «швидкі виграші» (Quick Wins) та проміжні фази, що дозволять бізнесу побачити цінність інвестицій раніше (наприклад, скоротити терміни від місяців до тижнів або отримати робочий прототип до критичної бізнес-дати). Lean Matrix — порівняння зусиль та цінності, RICE/ICE-методи пріоритизації можуть бути одним з інструментів для цього.

Концентрируйтесь на тому, що приносить цінність при малих затратах спочатку, а далі нарощуйте м’язи і переходьте до триваліших речей.

Шукайте екстрацінність

Бувають випадки, коли дані чи часткові рішення уже доступні і можуть бути задіяні з користю. Можливо, це неочевидно бізнесу або зацікавленим особам, але може бути очевидно вам. Не бійтесь пропонувати нові рішення, які можна побудувати на основі даних. Те, що вам може видаватися простим і очевидним, може виявитися абсолютно новим поглядом на існуючу проблему.

Наприклад, на проблему звільнення працівників могли ніколи не дивитися через призму історії взаємодії працівника з окремими відділами в компанії. Бізнес-аналітик може поставити питання: «Що ми можемо досягти з цими даними?» (How-Might-We) для пошуку таких можливостей.

Тримайте великий контекст (Big Picture)

Зміни в бізнес-процесах чи операційних підрозділах матимуть вплив на дані та їхнє розуміння і навпаки. Чим краще бізнес-аналітик розуміє наскрізні процеси компанії, як у них задіяні різні підрозділи та які трансформації відбуваються, тим легше виявляти їхній вплив і потенційні зміни на ранніх етапах. Чим раніше бізнес-аналітик помітить подібну зміну, тим плавніше (і без овертаймів) проходитиме процес переходу.

Замість висновків

Дата проекти цікаві і багатогранні. Вони потребують певних технічних і спеціалізованих навиків, проте, як на мене, несуть нові можливості для росту, інновацій та експериментів. Тенденції, які ми бачимо на ринку, зростання AI, SaaS рішень безумовно змінять те як ми працюєм з даними, але точно додадуть до того щось нове і цікаве для бізнес аналітиків.

Сподобалась стаття? Підписуйтесь на автора, щоб отримувати сповіщення про нові публікації на пошту.