Что нужно для работы Аналитиком данных.

Было обсуждение в посте ссылка какие оплачиваемые интересные работы бывают.
И некоторые стали делиться тем, как войти в ту или иную профессию.
Я работаю аналитиком данных. Обучение проходила через программу содействия занятости и училась сама на stepik, YouTube и просто искала полезные книги и сайты.

Работа аналитика данных заключается в отборе нужных данных, их обработке (почистить от недостоверных данных, заполнить недостающую информацию и прописать нужную агрегацию), нахождения закономерностей и визуализации.
Могут ещё проводится а/в тестирования и исследование с помощью инструментов мат статистики.

Самое распространённое направление: продуктовый аналитик (продажи и продукт), есть работа на производстве, в сфере логистики, hr, финансах и т.д.

Набор инструментов для дата аналитика определяется тем, в каком виде хранится нужная информация в организации.
Если это банк, скорее всего все данные хранятся в хранилище и без sql данные не получить, а если обычная торговая компания, работающая в 1с, скорее всего данные вручную надо будет выгружать в формате excel.

Какие инструменты есть в аналитике, и когда они нужны.

1. Excel. Почти всю аналитику и визуализацию в малых объёмах можно сделать в excel. Некоторые данные в фирме хранятся так, что только в excel и возможно их обработать.
Из excel точно нужны впр, суммесли и т.д., сложные формулы, состоящие из нескольких функций, сводные таблицы, лашборды в excel со срезами.

2. Инструменты визуализации. Я работаю в power bi, есть ещё yandex datalends, Tableau и т.д.
Принцип у них похожий. Берешь несколько таблиц из разных источников, определяешь связи между таблицами и делаешь визуализацию данных.

3. Sql. Если в компании есть хранилище данных, то получить информацию можно только с помощью запросов sql. При чем, бывают ситуации, например, что из 1с часть данных хранится в витрине, а часть приходится выгружать в ручную в формате excel.

4. Матстатистика. Хотя бы азы статистики нужно знать, что была возможность проверить массив данных, понять, нет ли аномально больших или маленьких. Да и просто понимание, что среднее часто не равно медиане помогает грамотнее оценить информацию. В компании могут проводится а/б тестирование.

5. Python. Нужен для обработки больших данных. Я использовала только как инструмент для матстатистики. Джуны с этим инструментом работают редко. И изучать его есть смысл, если все, что выше уже изучено.

Вход в профессию.
С одной стороны вакансий очень много по России (но распределение не однородно например, в моем городе, с населением 700000 было всего 2 вакансии за 3 месяца, и те странные). С другой стороны и кандидатов много, надо выделятся.

Если вы никогда на работе, хотя бы для себя, на коленке ничего не анализировали- скорее всего профессия не для вас.
Здесь часто нет готовых алгоритмов, а есть много данных, с которыми нужно что-то сделать.
По сути, заказчик приходит и говорит, что ему нужно что-то посмотреть. А дальше вы сами должны понять, какие данные взять, как их обработать и визуализировать. Без аналитического склада ума сложно.

Точно не возьмут на работу тех, кто только прошёл курсы и не сделал сам 5-10 проектов. Одни курсы ничего не дают. Да и сами инструменты не запоминаются, пока сам их раз 10 не применить для решения задач.

Ещё это профессия, в которой нужно постоянно учиться. Совмещение работы и учёбы будет минимум первые пару лет.

Из плюсов: есть вакансии на удаленки, есть вакансии с московскими зарплатами, есть всякие плюшки типа дмс.
А главное, интересная работа, полная новыми задачами, экспериментами, подходами. Работая аналитиком, сложно заскучать. И ещё есть огромное поле для экспериментов.
#аналитик_данных