Вместо визитки

Если меня спрашивают, когда я увлекся аналитикой, отвечаю, что еще в детстве — когда помогал родителям вести учеты и делать таблички в древнем экселе. Чтобы делать это хорошо, осваивал MS DOS, программирование в Visual Basic и многое другое. Прошло много лет, а я занимаюсь все тем же: делаю таблички. Только теперь уже для  людей, которые обращаются  ко мне за исследованиями процессов с точки зрения эффективности бизнеса.

В аналитике я специализируюсь на data-инжиниринге, много работаю с базами данных, создаю коннекторы к различным API, делаю витрины данных и строю визуализации в различных BI-системах. В студенчестве увлекался продвижением сайтов, позже интернет-маркетингом, но чем больше работал, тем сильнее понимал, что мне нравится именно аналитика. Поэтому в один из дней я принял решение заниматься только ей.

Прошел курсы, освоил  Python, углубил знания в SQL, снова стал изучать теорию вероятности, погружаться в специфику различных баз данных и пробовать себя в Data Science. Позже я стал заниматься преимущественно BI-аналитикой и построением ETL-процессов. Самостоятельно освоил различные дополнительные инструменты data-инженера: Prefect, AirFlow, DBT и другие.

Все это позволило мне стать уверенным в себе и востребованным специалистом. Я начал давать частные уроки по Python, SQL, аналитике данных и брать заказы от бизнеса на фрилансе. Следующий шаг это запуск своего агентства бизнес-аналитики. А пока я ее не открыл, готов ответить на вопросы «Зерокодера».

Зачем аналитика бизнесу

Редакция. Термины, которые сопровождают аналитика звучат как угроза: закономерности, аномалии, графики, диаграммы. Помоги разобраться: что вообще из себя представляет аналитики и зачем аналитика нужна бизнесу? Расскажи в нескольких коротких примерах или задачах.

Рустам. Аналитика очень обширное понятие. И да, она всегда ищет закономерности в данных и выявляет в них разные аномалии. Все это помогает понять, что привело к той или иной ситуации в бизнесе и как мы можем на это повлиять.

Первое. Аналитика определяет эффективность проекта на всех этапах.

Например. Отдел маркетинга провел мероприятие, инвестировал в него бюджет и получил какое-то количество лидов. Очень часто в этой ситуации задача аналитика помочь маркетологам посчитать, сколько было потрачено ресурсов на одного активного участника. Стоимость одного лида с мероприятия, стоимость одной сделки с лидов и т.д. Затем аналитик сравнивает эти результаты с другими мероприятиями и дает заключение: насколько оно было успешней других, что следует изменить при планировании в будущем, какие инструменты использовать для привлечения участников.

Второе. Аналитика строит прогнозы: предсказывает, как будет развиваться дальше. Это называется предиктивная аналитика (от английского «predictive analytics»). То есть предсказательная или прогнозная аналитика. Как это работает? На основе информации о ранее совершенных событиях. Специалист находит в данных одни параметры, которые влияют на другие, определяет степень влияния и выдает сценарий того, как изменится бизнес, если какая-то из величин изменит свое значение.

Зачем это все нужно бизнесу? Как минимум чтобы управлять рисками в производстве, в продажах, в финансах.

В обоих случаях задача аналитика в том, чтобы собрать и подготовить данные.

Зачастую, они хранятся в разных системах / сервисах / базах. Обычно их нужно свести в единое место хранения (или визуализации), чтобы посчитать сквозные метрики.

Если брать пример с мероприятием, то источниками данных могут быть:

  • Рекламные кабинеты, из которых необходимо выгрузить расходы
  • Сервисы email-рассылок, из которых выгружаются контакты и статистика рассылок
  • CRM с контактами и информацией о продажах
  • Сервис онлайн-мероприятия с данными о регистрациях и участниках мероприятия.

Автоматизированным получением данных из всех нужных систем занимаются data-инженеры, а дальнейшей визуализацией BI-аналитики.

  • BI-аналитик также помогает бизнесу принимать грамотные решения, основываясь на данных. BI-аналитик на полученных от data-инженера данных строит дашборды, анализирует и помогает бизнесу принимать взвешенные решения. То есть, собирает информацию, анализирует, структурирует и визуализирует её.

Это тоже очень важная часть аналитики и она нужна бизнесу. В крупных компаниях обычно такие задачи выполняют целые отделы.

Кому по плечу аналитика

Редакция. Кому подходит профессия аналитик данных — для кого она? Например, может ли уйти в эту область человек, у которого нет профильного диплома, но есть желание развиваться в этом?

Рустам. Совершенно не важно, какая у человека, решившего заниматься аналитикой, профессия. Если есть желание развиваться способности, то смело можно пробовать. Главное следовать своим ощущениям, а не моде или чьим-то советам. Испытываешь профессиональный зуд — иди не раздумывая. Тем более, что в 2024 году на рынке труда к числу самых востребованных айтишников относятся именно аналитики. Сейчас на hh.ru можно встретить тысячи вакансий по этой специальности.

В аналитике данных очень много различных специализаций.

Одни из самых популярных — BI-аналитики, я о них выше рассказывал: это люди, управляющие огромными информационными системами, а также программами, обрабатывают массивы данных из электронных источников, а затем представляют все это в виде понятных и полезных отчетов.

Аналитик данных — один из самых высокооплачиваемых айтишников. Он помогает бизнесу искать и находить пути развития, благодаря собранным данным. Аналитики помогают тестировать различные гипотезы и разработки, и могут ответить на вопрос, какие продукты компании будут пользоваться спросом в конкретном регионе или конкретном месяце.

Специалисты по Data Science тоже высоко востребованы. Это аналитики с сильным погружением в математику. Они создают модели машинного обучения, помогающие бизнесу прогнозировать результат на основе исторических данных, строят рекомендации и создают всем известные нейросети.

Очень востребованы и data-инженеры. Эти специалисты собирают данные из разрозненных источников в единое хранилище данных (Data WareHouse), обрабатывают и подготавливают данные для визуализации или использования в Data Science, отслеживают качество и обеспечивают стабильное пополнение новыми данными. Тем самым они помогают другим аналитикам в их задачах.

В разных компаниях аналитики могут заниматься совершенно разными по уровню сложности задачами. Мой совет: если вы начали осваивать аналитику и столкнулись с каким-то сложным инструментом или непонятной теорией, не стоит отчаиваться. Всегда можно подобрать для себя подходящее направление, которое будет легко даваться — и в учебе, и в работе над проектами.

Хотите стать специалистом в этом деле? Начните с нашего бесплатного практикума по аналитике с нейросетями!

Нейросеть для анализа данных

Редакция. Искусственный интеллект в аналитике данных — уже не тренд и давно не революция. Чем аналитику помогают нейросети?

Рустам. Нейросети активно развиваются, и очень скоро смогут на уровне не хуже человека выполнять различные задачи. Уже сейчас им можно доверить поиск аномалий в данных, подготовку статистических описаний данных, составление простых SQL-запросов. С каждым днем они все лучше и лучше отвечают на вопросы бизнес-пользователей. Ты можешь ее спросить: «Как изменились продажи в филиале А за последний год?» — и получить развернутый отчет по всем необходимым пунктам.

Если шире, то уже сейчас нейросети умеют: обрабатывать большие объемы данных, анализировать большие данные в реальном времени, масштабировать полученные данные, выявлять закономерности, тенденции, ошибки, которые могут привести к финансовым потерям.

Понятно, что анализ данных по-прежнему выполняет аналитик. Но для более быстрого результата, можно подключить ИИ и проанализировать за считанные минуты ту информацию, на изучение которой у человека уйдут дни.

Сайт Рустама Искендерова: Data-аналитика и BI-визуализация

Связаться с Рустамом можно в Телеграме: @isrustam