Data anasyst

"В аналітику не вийде увійти тільки з університетськими знаннями". Хто такий дата-аналітик і що потрібно знати, щоб ним стати?

Зміст

Аналітик - хто він такий і чим займається

Які хард скіли потрібні для аналітика-початківця

Які потрібні софт скіли

Аналітик - хто він такий і чим займається

Що робить Дата-аналітик? Дата-аналітик - це фахівець, який розкладає дані на складові, щоб знайти відповіді на хвилюючі бізнес-питання. Можна сказати, що аналітик відрізняється від інших людей тим, що він здатен знайти в даних більше інформації та підказок, ніж це можуть зробити інші фахівці.На які питання аналітики шукають відповіді:

"Скільки ми заробили за останній тиждень?"

Чому користувачі стали менш активними?

Як нова фіча вплинула на користувачів нашого продукту?

"Як покращити додаток?"

Ці питання загальні, проте кожен аналітик відповідає на питання в межах зони відповідальності його команди.

Крім того, щоб відповідати на запитання, data analyst генерує гіпотези щодо покращення продукту та тестує їх за допомогою А/В-тестів, які потім оцінює та ухвалює фінальне рішення щодо цієї зміни. Іноді ухвалювати рішення досить просто - доходи зросли, користувачі щасливі, але іноді буває так, що результати неоднозначні, або крім показників користувачів потрібно враховувати навантаження на технічну інфраструктуру, тому ухвалення рішення перетворюється на справжнє мистецтво.

Які хард скіли потрібні для аналітика-початківця

В аналітику не вийде увійти тільки з університетськими знаннями. Ринок праці досить вимогливий, тому багато чого я вивчав самостійно - шукав освітні матеріали та підтягував ту чи іншу навичку. З мого досвіду, для першої роботи у сфері IT вам знадобиться кілька пунктів.

Математична база. Особливо статистика, аналіз даних та основи лінійної алгебри. Ці дисципліни є інструментами в процесі аналізу та суттєво допомагають приймати рішення. Особливу увагу слід звернути на такі розділи:

Теорія ймовірностей, а саме поняття стохастичного досвіду, поняття ймовірності, головні функції розподілу.

Основні поняття статистики: кількісні та якісні змінні, генеральна сукупність і вибірка, основні описові статистики (медіана, середнє, дисперсія тощо), поняття статистичного експерименту, статистична значущість і статистична потужність.

Основні поняття лінійної алгебри: матриці та операції з ними.

Усе це, а також бази даних, аналіз даних та інші фундаментальні математичні дисципліни я опанував в університеті. Тоді в мене сформувалося чітке відчуття того, що після вивчення настільки абстрактних дисциплін, мені вдасться розібратися з чимось у майбутньому.

Водночас я не можу сказати, що математична база - це не обов'язково. Набагато важливіше вміти приймати рішення й аналітично мислити.

SQL. Ця мова запитів - основний інструмент для спілкування з базою даних. З її допомогою data analyst "дістає" потрібну інформацію, на основі якої він робитиме висновки для продуктової команди. Джун достатньо розібратися, як за допомогою SQL створюються та модифікуються таблиці (DDL) або їхній вміст (DML), а також як здійснювати базові запити, щоб витягти необхідні для аналізу дані (DQL). Крім цього, слід розібратися у відмінностях між різними типами баз даних.

Візуалізація. Щоб бачити, як різні метрики поводяться в динаміці, інтерпретувати і сприймати зміни, аналітики користуються інструментами Tableau і Power BI. Вони схожі в можливостях візуалізації. Однак Power BI є частиною інфраструктури від Microsoft, тому зручно використовувати його разом з іншими продуктами цієї компанії. Tableau підтримується всіма платформами, тож фахівці, які працюють на iOS, на Windows і на Linux, можуть вільно обмінюватися файлами один з одним. Також слід вивчити основні види візуалізацій, доступні в цих інструментах, і розібратися, які найбільше підходять до тих чи інших випадків.

Мова програмування Python або R. Як правило, на посаді ви будете використовувати одну мову. Яку саме роботодавці зазначають в описі вакансії. Тому вчити обидві необов'язково, але ознайомитися з базовими принципами кожної не завадить.

Сьогодні більш поширеною та універсальною мовою є Python, тож для неї можна знайти набагато більше освітніх матеріалів і прикладних статей, ніж для R.

Розуміння базових метрик. Ось список тих, з якими варто ознайомитися, з яким продуктом ви б не працювали:

ARPU (Average revenue per user) - середній дохід від одного користувача за фіксований часовий інтервал.

ARPPU (Average revenue per paying user) - середня виручка на одного користувача, який купив платну підписку.

ROI (Return on Investment) - коефіцієнт рентабельності інвестицій.

LTV (Lifetime Value) - прибуток, який приносить користувач за весь час роботи з ним.

CPC (Cost per click) - ціна за клік на оголошення на сторонній платформі.

CPM (Cost per mille) - ціна за тисячу показів на певному ресурсі.

Крім цього, потрібно розібратися у відмінностях між абсолютними та відносними метриками, а згодом - яка сукупність метрик більш повно відповідає на певне питання. Залежно від специфіки конкретного продукту, аналітик може стикатися і з іншими метриками. Я частіше працюю з кількістю лайків і повідомлень на одного користувача.

Уміння проводити A/B-тести. Це основоположний інструмент перевірки гіпотез. Тож варто розібратися, як його проводити та які підходи будуть ефективно діяти саме для ваших бізнес-завдань.

Англійська мова. На старті вистачить рівня B1. Щоб розвиватися, потрібно читати профільні туторіали, статті, дивитися відео та слухати подкасти, а все це зазвичай англійською мовою. Усною англійською фахівці-джуни в продуктових компаніях користуються не так часто (якщо це не англомовна команда) - здебільшого вона потрібна менеджерам або сеньйорам, які більше спілкуються з партнерами.

Додатково. У вимогах до вакансій часто зустрічається пункт "Володіння Excel". Зазвичай його використовують компанії так званої традиційної економіки - і для візуалізацій, і для демонстрації певної аналітики, і просто для зберігання певних даних. З мого досвіду, у продуктовій команді Excel потрібен не дуже часто, але розуміння базових принципів роботи точно не завадить.

Також не зайвим буде хоча б частково розібратися в Data Science - які моделі машинного навчання існують, у яких ситуаціях використовуються, яка математика стоїть за ними. Спробуйте вирішити кілька завдань за допомогою машинного навчання. Навряд чи ви будете щодня користуватися цими знаннями, але добре мати їх в арсеналі як додатковий інструмент, який може знадобитися.

Які потрібні софт скіли

Уміння спілкуватися з людьми та робота в команді. Продуктові аналітики регулярно взаємодіють з іншими командами, наприклад, з аналітиками інших проєктів, розробниками, retention-командою тощо. Їм частенько доводиться роз'яснювати й узгоджувати свої ідеї та пропозиції, з'ясовувати, як працює та чи інша частина продукту, вирішувати суперечливі моменти. Якщо виникають останні - ми використовуємо цілі на період і вирішуємо, що в пріоритеті.

Організованість і увага до дрібниць. Аналітик часто першим дізнається, що щось пішло не так (якщо це не стосується суто технічних деталей). Для цього він формує звичку регулярно переглядати основні показники і зайвий раз ставити собі запитання: "Чому так?".

Що більше працюєш, то більше з'являється дрібних і не дуже завдань, про які потрібно пам'ятати тільки тобі. Тому мій менеджер дав мені просту пораду - записуй усе, важливе і не дуже.

Для цього є безліч програм на кшталт Trello і Todoist. Я користуюся звичайним додатком-блокнотом: в одній нотатці прописую список завдань, в інших - сирі ідеї та гіпотези. Так нічого не губиться і не забувається.

Тайм-менеджмент. Ще одним аспектом є тайм-менеджмент, адже навіть джуніор-аналітик стикається з легкими, на перший погляд, завданнями, які забирають багато часу. Якщо такі завдання накопичуються, це призводить до додаткових проблем. Тому я планую завдання в Google Calendar і виділяю окремі часові слоти під конкретні, особливо під регулярні, завдання. Та не забуваю про подію і трекаю час для кожного завдання.

Здатність ухвалювати рішення. У деяких ситуаціях немає однозначно правильного шляху, але навіть тоді потрібно брати на себе відповідальність і за рішення, і за його наслідки. На перший погляд, здається, що це дуже важко - морально та емоційно, але на позитивний результат працює вся команда, а помилки - це нормально, якщо швидко їх знаходити та виправляти.