5 типов аналитиков. Определите, с кем работаете вы

Меня зовут Оксана. Я продуктовый аналитик и лектор онлайн-школы robot_dreams, где веду практический курс «SQL для аналитики». За 6 лет работы я встречала самых разных специалистов в области анализа данных. Опираясь на свой опыт, в статье расскажу о типах аналитиков. Возможно, вы тоже сталкивались с ними в своих компаниях.

Excel-аналитики

Иллюстрации Марии Рыбак

Виртуозно владеют всеми сводными таблицами, формулами в три метра длиной и условным форматированием. Они аккуратно складывают безграничные файлы в разные папки, называя каждую только им понятным словосочетанием.

Excel-аналитики прикрепляют к каждому письму тяжелый файл с табличками. Они отлучаются от работы, только если 100% мощности лэптопа заняты подсчитыванием vlookup-формулы на 1000002 строк.

Сильные стороны:

  • внимательны и старательны. Отправляют информацию заказчику, только когда действительно уверены в ней;
  • хорошо владеют инструментами Excel — почти любую задачу можно решить с его помощью.

Слабые стороны:

  • считают, что нет смысла учить новое, если половину задач можно решить двумя сводными и тремя vlookup;
  • предпочитают таблицы, много таблиц. Визуализация, ресерч и анализ даются сложнее, особенно если результаты исследований нужно объяснять не аналитикам.

У меня был опыт работы с командой Excel-аналитиков. Компания решила перейти на прогрессивные инструменты и начала внедрение BI-системы. К сожалению, аналитики посчитали, что она призвана заменить работу специалистов, а не упростить ее. Поэтому команда саботировала обучение и убеждала менеджеров, что система не будет удобной и не заменит отчеты. В итоге BI-систему внедрили, но с большой задержкой. Этим занимались уже другие люди.

Рекомендации: на Excel-аналитиков можно положиться в решении самых скучных задач. Но им пора перейти на современные инструменты — базы данных и BI-системы. Рекомендую уйти от файлов и начать автоматизацию. Не всегда хорошо написанная формула избавляет от рутины.

Сомневающиеся аналитики

Начинают свои выводы со слов «приблизительно» или «скорее всего». Частая причина такой неуверенности — плохая аналитическая инфраструктура. В компании чуть ли не каждый день падают какие-то ETL-процессы или отказывают базы данных. Поэтому аналитики могут сказать лишь о том, что конверсия на ветке А лучше конверсии на ветке В на 2–20%.

Сильные стороны:

  • не вводят в заблуждение пользователей и напоминают всем, что данные неточные;
  • честно стараются найти самый точный результат и делают все для решения проблем с данными;
  • знают все о работе с ETL-процессами, API и серверами баз данных.

Слабые стороны:

  • привыкают к неуверенности в данных и сомневаются в результатах, даже работая с полными данными;
  • сомневаются в важности того, что делают, так как понимают, что на неполноценную аналитику тяжело положиться.

Я знаю нескольких сомневающихся аналитиков, и они говорят о работе с грустью. Одному из них пришлось самостоятельно найти и оплатить работу фрилансера, который написал несколько проблемных ETL-процессов с нуля. У разработчиков компании на это не хватало времени. На внедрение готовых ETL в инфраструктуру ушло 4 месяца (из-за бюрократии). За это время аналитик сменил компанию.

Рекомендации: всеми силами добиваться улучшений инфраструктуры. Говорить о проблемах и продвигать задачи по улучшению сбора данных. Если более чем за год работы ситуация не изменилась, а аналитик сделал все, что мог, — ему пора сменить компанию.

Бэклог-специалисты

Их списки задач длиннее, чем река Нил. Они работают с 8 утра до 8 вечера. Аналитики ставят приоритеты, делают списки приоритетов, а потом приоритеты списков и все равно не могут выйти из вечного бэклога. Все вокруг знают, что BI ответят на любой вопрос о продукте. Поэтому в бэклоге можно найти настройку ETL-процессов, построение ML-моделей и сбор событий в разных системах.

Сильные стороны:

  • работают без отпуска и перерыва на обед, стараясь сделать как можно больше тикетов. Но чем больше делаешь тикетов, тем больше их накидывают;
  • хорошо разбираются во всем. У них в голове сохранены связи между всеми таблицами. Если вы не понимаете, почему вместо почты пользователя записывается страна, а в графе страны — браузер, спросите у аналитика — он расскажет.

Слабые стороны:

  • из-за большой нагрузки бэклог-аналитик не заканчивает задачи — отладить процессы на 100% просто не хватает времени;
  • не хватает времени на то, чтобы предлагать идеи;
  • выгорание. Последний год в компании бэклог-аналитики работают из последних сил. Увольняясь, они хотят пару месяцев лежать и не видеть Jira.

Такой тип аналитиков часто встречается в компаниях с длинной историей. Я сама была в такой ситуации, когда тикеты появлялись быстрее, чем ты успевал их распределять между членами команды. Все были подавлены, так как не видели результатов своей работы. Нам удалось справиться с бэклогом и избежать его роста до предыдущих размеров. Пришлось приложить усилия не только команде, но и основным заказчикам. Они научились пользоваться готовыми инструментами и уменьшили BI-запросы.

Рекомендации: такой аналитик должен уточнять бизнес-необходимость всех вопросов, которые задают. Если вы узнали в этом типе себя, создайте список вопросов, на который должен ответить человек, прежде чем поставить вам задачу. Так вы сэкономите время на уточнение требований.

Задачи будут всегда, поэтому не стоит выгорать, следите за своим расписанием, бронируйте слоты для обедов и берите отпуск :)

Аналитики-цари

Сыплют идеями по улучшению продукта, участвуют во всех митингах и ставят задачи на тесты, а если решение о тесте или улучшении прошло мимо них, считают это личным оскорблением. Думают, что за ними всегда последнее слово и просят не ставить им мелкие задачи, так как они созданы для большего.

Сильные стороны:

  • отлично разбираются в продукте, переживают за все показатели и импрувменты;
  • уходят в продуктовые менеджеры, где могут сами подтверждать свои гипотезы и видеть цифры.

Слабые стороны:

  • в команду к такому специалисту необходимо искать джуна или мидла для «черной работенки». Потому что аналитик-царь — птица высокого полета и анализировать по 10 AB-тестов в неделю не будет;
  • не всегда слышат чужое мнение — возможны трудности в коммуникации.

Я работала с царем-аналитиком. Иногда мои задачи не брали без согласования с ним, хотя он не имел отношения к моей работе. Но все так боялись сделать что-то без его ведома, что согласовывали все, связанное с цифрами. Поэтому приходилось проговаривать четкие зоны ответственности каждого BI-юнита, чтобы другие команды понимали: в приоритете мнение того, кто отвечает за направление.

Рекомендации: слушать и слышать своих коллег. Продукт делает команда. Даже отличному аналитику нужна помощь в разработке, дизайне и других аспектах. Поэтому нужно искать компромиссы и работать в команде.

Data Science аналитики

У них огромный технический бэкграунд. Даже если им надо поделить 8000 на 10, они включают Jupiter Notebook. Data Science аналитики пытаются брать сложные задачи на прогнозирование, сегментации и модели, но им все время предлагают посчитать бюджет, найти парочку KPI или построить красивый график.

Сильные стороны:

  • универсальные специалисты, которые решают задачи любой сложности. Они обладают широким набором hard skills и чередуют дашборды в BI-системах и нейронные сети;
  • большинство сложных задач решают быстрее с помощью языков программирования.

Слабые стороны:

  • готовы делать все поступившие задачи и часто стесняются брать более интересные проекты, достойные их опыта и знаний.

С Data Science аналитиками можно решать сложные задачи. Но сначала нужно найти общий язык. Я сталкивалась с тем, что такие специалисты чувствуют себя неуверенно в командах, потому что не могут поговорить с коллегами на интересные темы.

Однажды такого аналитика поместили в developer unit, где он мог обмениваться техническим опытом с дата-инженерами, но при этом участвовал в решении сложных аналитических задач. В итоге он почувствовал интерес к работе и стал инициативнее.

Рекомендации: не распыляться. Таким аналитикам нужно найти позицию, которая будет соответствовать их знаниям. Только так они смогут развиваться и не потеряют интерес к работе.


Я рассказала о самых распространенных типах аналитиков. Есть и те, кто не относится ни к одному из них. Но важно отметить, что все специалисты по данным помогают развивать проекты и продукты. Аналитики показывают направление и придают смысл всем решениям. Ведь каждое из них нужно подтверждать числами.

С какими типами аналитиков вы работали? Кого бы добавили в список?

👍НравитсяПонравилось8
В избранноеВ избранном1
Подписаться на автора
LinkedIn



Підписуйтесь: Soundcloud | Google Podcast | YouTube


3 комментария

Подписаться на комментарииОтписаться от комментариев Комментарии могут оставлять только пользователи с подтвержденными аккаунтами.

На жаль, але практично не стикався з аналітиками в роботі останні 6-8 років.
Напевно, вони існують, але все спілкування з ними через PM або Product Owner.

Прикольно, я думал профессия аналитика уже выродилась в роль и люди мигрировали кто в data engineer, большинство в data science.

Тотемное животное «Бэклог-специалиста» — просто шедевр)
Оно мне сразу стольких людей напомнило, причем эти люди создают/распределяют задачи, а не берут их)

Подписаться на комментарии