Какие программы должен знать аналитик данных

Содержание

Неверные решения при разработке нового продукта или функции сервиса могут стоить компании репутации и денег. Чтобы этого не произошло, компании обращаются к аналитику данных. Он собирает, обрабатывает, изучает и интерпретирует данные: проводит А/B-тесты, строит модели и проверяет, как пользователи и клиенты реагируют на нововведения. Это стоит дешевле и снижает риски бизнеса.

Аналитик данных работает с разными инструментами анализа, не ограничиваясь готовыми решениями и системами, знает языки программирования и формулирует гипотезы.

Такие специалисты особенно востребованы в data-driven компаниях — то есть тех, которые ориентируются в решениях на big data и аналитику данных.

Например, специалисты по данным Netflix вычислили популярность сериала «Карточный домик» с помощью аналитики: зрителям оригинального британского «Карточного домика» также нравились фильмы Финчера и (или) картины, где играл Спейси. Netflix объединили Дэвида Финчера (один из режиссеров House of Cards), политические интриги и Спейси в одном проекте. Видеосервис заключил контракт со Спейси и Финчером без съемок пилотной версии. Рейтинг сериала на IMDb и «Кинопоиске» составляет 8,7 и 8,3 соответственно.

ИНСТРУМЕНТЫ АНАЛИТИКА — что учить, чтобы стать аналитиком в IT?

Обязанности аналитика данных

Рабочие задачи Data Analyst находятся на стыке математики, программирования и продакт-менеджмента. В результате его работы компания может получать больше прибыли и делать пользователей счастливее. Обязанности аналитика данных могут различаться в зависимости от места работы и уровня квалификации.

Получайте свежие новости о мире Web3 в рассылке . Регулярно.
Без рекламы.

Как правило, такой специалист проводит статистические тесты и решает бизнес-проблемы, на которые пока ответа нет. Затем составляет прогнозы, стратегии, планы и рекомендации.

Чем обычно занимается аналитик данных:

Общается с представителями бизнеса и выявляет проблемные места компании.
Собирает информацию.
Составляет гипотезы для улучшения определенных показателей.
Готовит данные к проведению анализа: сортирует, фильтрует и делает выборку.
Находит закономерности.
Визуализирует данные: переводит статистику и Big Data в понятные выводы и наглядные графики.
Предлагает решения, которые используются для развития проекта или бизнеса.

На основе данных, предоставленных Data Analyst, компания может принимать любые бизнес-решения.

Личные качества

Хороший аналитик данных — это не только метрики и отчеты. Вне зависимости от профиля, классный специалист должен обладать гибкими навыками, которые нужны для продуктивной работы:

Системное мышление и логика. Важно уметь анализировать, синтезировать, сравнивать и делать выводы из порой неочевидных закономерностей. Аналитик должен понимать, из каких предпосылок он исходит в своих суждениях, и проверять их корректность.
Внимание к деталям, методичность и рациональный скептицизм. Все результаты анализа должны быть проверены, перепроверены и обоснованы. Лучше уточнить непонятные детали и усомниться даже в самом авторитетном мнении, чем запустить ненужный продукт.
Вежливость, навыки общения и повествования. Аналитики общаются со специалистами из разных направлений: бизнес, ИТ, бухгалтерия и безопасность. Важно сохранять конструктивный и вежливый подход, не поддаваться на провокации и лоббировать интересы своего отдела.
Терпение. Пригодится при очередном письме «концепция изменилась, давайте посчитаем заново».
Прагматизм и деловой подход. Важно концентрироваться на тех вопросах, которые позволят улучшить показатели работы компании: увеличить доходы, сократить затраты, оптимизировать процессы.
Стремление учиться. Хороший аналитик любит узнавать новое и расширять свой кругозор.

Как стать аналитиком данных и где этому учат

67% специалистов по аналитике пришли в Data Science из других сфер. В основном это разработчики и маркетологи, но есть и неожиданные профессиональные бэкграунды: геммологи, звукорежиссеры и даже ядерные физики.

Чаще всего изучать аналитику начинают с профессиональной литературы, тематических статей, авторитетных блогов и профильных каналов в мессенджерах. В открытом доступе много теоретической информации, где можно собрать базовый пул теории и практики. И все же для первых самостоятельных шагов нужна система. Проще и быстрее погрузиться в практическую аналитику на образовательных курсах.

Роман Крапивин
руководитель проектов, компания ООО «ИНТЭК»:

«В 2020 я задумался о смене профессии, поскольку пандемия коронавируса серьезно ударила по строительному бизнесу, где я работал руководителем проектов последние три года. Долго выбирал онлайн-курсы, хотел прокачать свои скилы в проектном управлении и пошел на курс Project Manager.

После первого блока обучения стало понятно, что хорошему руководителю проектов просто необходимо разбираться в аналитике, хотя бы на базовом уровне.

Поэтому я начал изучать Power BI, на котором научился визуализировать данные и получил первые знания для дальнейшей работы с аналитическими данными. Но тогда я понял, что для меня мало базовых основ аналитики. Поэтому для себя я открыл профессию Аналитик BI.

И в настоящее время изучаю программу визуализации данных Tableau, программу для работы с базами данных SQL, прошел курс по аналитике больших данных (Big Data). К сожалению, на настоящем месте работы я не могу в полной мере применять аналитические знания и программы, которые я освоил. Поэтому задумался о смене профессии: хотел бы попробовать себя в финансовом секторе или крупном ритейле, чтобы погрузиться в мир аналитики».

Иван Натаров
консультант отдела развития предпринимательства Министерства экономического развития Приморского края:

«Будучи студентом магистратуры, проводил исследование инновационной экосистемы Приморского края, тогда познакомился с нейросетями и Data Science. Суть исследования заключалась в разработке алгоритма, основанного на нейросетях и теории нечеткого множества и нечеткой логики, который позволял бы давать объективную оценку инновационного развития региона. У нас это получилось, даже научную статью написали.

Параллельно я изучал Data Science и посетил форум «Открытые инновации» в 2019 году. Послушав экспертов, я понял, что влюбился в эту сферу.

Я люблю узнавать истории из данных, поэтому и выбрал направление аналитики данных.

Я все еще учусь, но почти за год прокачался в этом направлении довольно неплохо. Из инструментов, что я изучил, любимыми стали Python и Power BI, они смогли автоматизировать многие процессы в работе, активно чекаю их. Python больше использую для написания парсеров XML и HTML, Power BI — для предобработки данных и визуализации».

Что должен знать и уметь аналитик данных

Такой специалист формулирует гипотезы, проводит статистические тесты на существующих данных для решения текущих вопросов, на которые нет ответа.

Минимальный набор скиллов начинающего аналитика:

Работать в Google-таблицах, группировать, фильтровать данные — на ходу, без перекладывания из таблички в табличку.
Уметь писать SQL-запросы.
Изучить минимум один язык программирования: Python или R.
Делать выводы и представлять результаты в виде интерактивных дашбордов (Tableau, Power BI).
Разбираться в бизнес-процессах и понимать ключевые метрики анализа эффективности.

Инструменты, которые используют аналитики

Основные навыки аналитика данных:

Сбор и анализ требований заказчиков к отчетности.
Получение данных с помощью языка запросов SQL.
Применение в работе ключевых математических методов и основ статистики.
Очистка и трансформация данных с помощью Python.
Прогнозирование событий на основе данных.
Анализ результатов кампаний, исследований и тестирования продуктовых гипотез.
Способность создавать аналитические решения и представлять их бизнесу

А еще хорошие аналитики данных умеют работать с Big Data, проверять гипотезы с помощью подходов А/Б-тестирования и быть настоящими исследователями.

Большинство работодателей просят посчитать определенные метрики, например, какие товары чаще всего возвращают покупатели. Иногда нужно рассчитать инвестиционный потенциал и скорректировать бизнес-модель.

Востребованность профессии и перспективы работы

Сейчас аналитика данных используется в более чем 50% компаний по всему миру. Аналитики востребованы в ИТ-компаниях, ритейле, кинопроизводстве, науке, машиностроении и медицине. В октябре 2020 года по запросу «Аналитик данных» на hh.ru было открыто 8 699 вакансий с зарплатой от 65 тысяч рублей до 300 тысяч рублей.

По результатам исследования 2019 года, спрос на специалистов сферы Data Science за два года вырос на 226%. Популярность профессии аналитика данных со временем только растет, поскольку для развития бизнеса необходимо собирать и изучать данные клиентов и конкурентов.

В профессии аналитика данных пока нет границ и сложно достичь потолка. При этом можно развиваться вертикально, от начинающего специалиста до главы аналитического отдела, или горизонтально, меняя сферы деятельности: продуктовая аналитика, банковская аналитика, маркетинговая аналитика.

Сколько зарабатывают аналитики данных в России

Зарплата будет зависеть от опыта и географии. Так, аналитик-стажер в Воронеже получает 25 тысяч рублей, а Data Analyst в московском офисе международной компании зарабатывает 200 тысяч рублей.

В Москве аналитик данных с опытом работы от двух лет в среднем зарабатывает 134 тысячи рублей. В Санкт-Петербурге такой же специалист может рассчитывать на 101 тысячу рублей в месяц. Стажеры и Junior-специалисты зарабатывают от 60 тысяч рублей.

Сколько зарабатывают аналитики данных в США

Больше половины аналитиков готовы рассмотреть релокацию и работать за рубежом. Средняя годовая зарплата для аналитиков данных в США составляет $62 тысячи.

Больше всего на американском рынке труда востребованы Data Scientists. Это одна из самых высокооплачиваемых специальностей со средней годовой зарплатой в $130 тысяч. По прогнозам McKinsey, в ближайшие годы разрыв между предложением и спросом у специалистов в этой области составит 50%.

Рынок труда и будущее аналитики данных

Только за последние два года через направление Data Science Нетологии прошло более 3000 студентов, большинство из них работают на профильных позициях в российских и зарубежных компаниях.

Со временем эксперты ожидают повышение спроса на аналитиков Big Data и представителей смежных специальностей. Чтобы оставаться востребованными, необходимо учиться и работать.

Осознанный подход организаций к анализу данных и понимание важности Data Science увеличивает потребность бизнеса в интерпретируемых аналитических методах.

По данным International Data Corp. (IDC), мировой доход от решений для больших данных и бизнес-аналитики (BDA) достигнет 260 миллиардов долларов в 2022 году при среднегодовом темпе роста (CAGR) 11,9 процента. В 2025 программные роботы будут выполнять большинство задач, таких как очистка и сбор данных, т.е. многие процессы станут более автоматизированными. К 2030 году Data Science уже не будет заниматься поиском и очисткой данных. Эту задачу возьмут на себя программные роботы.

В настоящее время технологии уже развиваются и достигают своих высот. Подумайте о будущем, когда искусственный интеллект будет в зените, машинное обучение — на пике, облако захватит рынок, а интернет вещей начнет проникать в большинство отраслей. Специалисту по данным потребуются лучшие навыки, будь то технические или социальные, чтобы быть востребованным к 2030 году.

Игорь Полянский, Head of Global product analytics в Gett:

«Мир продолжает ускоряться, а вместе с ним — и требования бизнеса к скорости принятия решений. Подход «задай вопрос, направь его аналитику, а он проанализирует» больше не удовлетворяет требования к оперативности получения инсайтов. Поэтому стандартные подходы к анализу все больше упаковываются в коробочные решения.

В 2020 году анализ, на который раньше уходили часы аналитика, менеджер может сделать в несколько кликов. Аналитики же делают более сложные исследования, и требования к их компетенциям повышаются. Системы аналитики все больше переходят на формат real-time анализа. У многих компаний это давно must have».

Фото на обложке: Shutterstock / LightField Studios

Источник: rb.ru

Обзор современных инструментов дата-аналитика

Сразу уточню, что видов аналитиков очень много, так как анализировать можно все что угодно. Это и веб-аналитики, и классические data scientists, и бизнес-аналитики, и финансовые аналитики, а также продуктовые, системные и UX аналитики. Причина такого разнообразия, по-видимому, в том, что в ряде крупных компаний над созданием одной платформы или продукта одновременно могут работать десятки, а то и сотни программистов и аналитиков. В таких условиях происходит сильное сужение специализации.

Все перечисленные виды аналитиков используют свои специфические наборы инструментов. Поэтому сосредоточусь только непосредственно на сфере анализа данных вне контекста происхождения этих самых данных. Таким образом мы исключаем из обзора системы веб-аналитики, CRM, ERP, системы складского учета, управления логистикой и документооборотом.

1. Языки программирования

Не будем касаться исключительных, уникальных или редких случаев. Рассмотрим все только самое популярное. И конечно же, в первую очередь, это язык python.

Python служит главным инструментом в руках data scientists, не имеет строгой типизации и предназначен для быстрой разработки прототипов или написания коротких сценариев или скриптов. Люди разбирающиеся в программировании и computer science его часто критикуют за то, что алгоритмы написанные на чистом python оказываются не оптимальными в отношении своей производительности и требованиям к памяти.

Но тем не менее у данного языка программирования есть много плюсов. Среди них я бы отметил то, что python преподают уже практически везде, в связи с чем сравнительно легко найти аналитика знающего python. Второе преимущество — это библиотеки для работы с данными и машинного обучения, имеющие удобный интерфейс. Например, на основе библиотеки sklearn легко собирать конвейеры предварительной обработки данных и построения моделей. Все алгоритмы и настройки машинного обучения инкапсулированы внутри классов и объектов, что делает код очень простым.

До недавнего времени основным конкурентом python был язык R. Пожелания к знанию R и сейчас изредка встречаются в описаниях вакансий по крайней мере в разделе «преимущества». До середины 2018-го года я и сам программировал на R. И при попытке автоматизировать часть своей работы по машинному обучению чуть не изобрел велосипед, пытаясь на R создать конвейеры подготовки данных и обучения моделей. Чуть позже узнал, что такие конвейеры уже давно существуют в библиотеке sklearn и называются pipeline.

2. AutoML и визуальные конструкторы

AutoML согласно своей основной идее резко упрощает задачу исследователя и сводит несколько шагов по изучению и подготовке данных, конструированию признаков, выбору и сравнению алгоритма машинного обучения и настройке гиперпараметров к одному единственному шагу. И этот шаг заключается в выборе и настройке одного большого ящика под названием AutoML. Результатом запуска алгоритма AutoML является сконструированный и соответствующим образом настроенный и обученный pipeline. Остается только брать «сырые» данные, подсовывать их в pipeline и ждать на выходе результат в виде прогнозов.

Ящик под названием «AutoML» выглядит либо как библиотека машинного обучения, либо как веб-сервис куда заливаются данные.

Если это библиотека, то она отличается от sklearn тем, что наш привычный код в 20-30 строк сжимается до 5 строк. Известный пример такой библиотеки H2O.

Другой пример — библиотека MLBox. Про нее в интернете можно найти истории, о том как применение MLBox позволило попасть в топовые 5% на соревнованиях kaggle.

Теперь несколько слов об облачных сервисах AutoML. Во первых, свои технические решения спешат представить все основные цифровые гиганты. Вот некоторые из них: Google AutoML Tables, Azure Machine Learning (Microsoft), SageMaker Autopilot (Amazon). Перечисленные сервисы должны быть интересны в первую очередь тем компаниям, которые разрабатывают аналитические системы на облачных платформах.

Очень удобно, когда и инфраструктуру данных, и вычислительные ресурсы, и готовые алгоритмы машинного обучения предоставляет один и тот же провайдер. Интеграция получается поистине бесшовной.

Помимо цифровых гигантов на рынке AutoML появляются и игроки поменьше. Например, непосредственно в настоящий момент в компании Bell Integrator идет активная работа над платформой neuton.ai.

В этом же разделе стоит вспомнить про системы машинного обучения, занимающие промежуточные позиции между непосредственным программированием на R и Python и полностью упакованным в коробку AutoML. Это так называемые конструкторы workflow. Два типичных примера: конструктор машинного обучения Azure от Microsoft и платформа SberDS Сбербанка.

Конструктор представляет собой набор кубиков, из которых можно собрать весь конвейер машинного обучения, включая финальную проверку работоспособности модели. Это несомненно красивое решение для людей с визуальным типом мышления, которым удобно представлять процесс машинного обучения и тестирования моделей в виде схем.

3. Инструменты BI

Здесь бы я хотел рассмотреть несколько BI решений в области аналитики: Power BI, Tableau, Qlik Sense, QlikView и Excel.

Power BI — это набор аналитических инструментов от Microsoft, которые доступны в виде десктопных приложений и облачных сервисов. Существуют корпоративные решения, работающие на закрытой it-инфраструктуре компании. Работа в Power BI Desktop или Power BI Services не требует навыков программирования. Предусмотрена возможность онлайн-интеграции с внешними источниками данных, а также загрузка данных в формате csv.

Power BI способен решать задачи машинного обучения посредством AutoML, то есть для построения модели классификации или регрессии писать программный код как на питоне не придется. Кроме стандартных задач анализа табличных данных в функционал встроены технологии анализа тональности, извлечения ключевых фраз, распознавания языка и добавления тегов к изображению.

Tableau также представляет собой целое семейство онлайн и десктопных приложений, как и Power BI. Данные приложения имеют простой визуальный интерфейс и позволяют работать методом перетаскивания drag-and-drop. Красивые графики строятся буквально за несколько кликов. Также данные можно анализировать в табличном виде и применять к ним различные фильтры.

Tableau позволяет решать и задачи машинного обучения, такие как регрессия, прогнозирование временных рядов, кластерный анализ. А главное, Tableau способен интегрироваться с внешними скриптами на R и Python. Получается легко расширяемый инструмент.

Qlik Sence и QlikView

Qlik Sence и QlikView по позиционированию и интерфейсу отличаются между собой, но по сути и по алгоритмам решения задач построены на одном движке. QlikView — корпоративная платформа, которой управляют it-специалисты, Qlik Sence — инструмент для личного использования без необходимости обращаться за помощью в тех. поддержку.

При первом же знакомстве бросается в глаза «красота» и легкость визуализации. Это тот самый инструмент, если надо построить приятный глазу дашборд для руководства. С моей точки зрения особенно зрелищным выглядит возможность менять масштаб при анализе географических карт и кластеров на двухмерных графиках. Вспоминаются кадры из фильмов, где на фото со спутников пытаются разглядеть номер автомобиля или выделить человека из толпы на площади.

Еще одна интересная опция — наличие мобильного приложения для выполнения анализа со смартфона. Так и представляется топ-менеджер сети ритейла, спешащий на очередной рейс в аэропорту и получивший неожиданное сообщение в мессенджере со ссылкой на дашборд.
Qlik Sence интегрируется с Python, а следовательно и с машинным обучением.

Вы меня простите, но я не мог пройти мимо Excel. Сколько не смейся, но любой инструмент по своему хорош. Например, в Excel прекрасно строятся сводные таблицы и графики, буквально в несколько кликов. В сочетании с удобным табличным процессором и работой с форматом csv вполне себе хороший инструмент.

4. Изюминка на торте. Автоматическая генерация кода на основе AI

Как-то раз при знакомстве в сети мне задали вопрос «ты программируешь на python?». И когда я ответил «Да», продолжение было совершенно неожиданным.

Речь идет о генеративной текстовой модели от OpenAI, обученной на репозитории GitHub. На конкретных примерах показана способность модели генерировать код на Python на основании заголовка функции и ее краткого описания.

А что будет, если такую модель удастся хорошо обучить на скриптах data scientists? Это вопрос для размышлений…

аналитик
data science
business intelligence
data mining
machine learning
машинное обучение
дата-аналитик
анализ данных

Data Mining
Визуализация данных
Машинное обучение
Искусственный интеллект

Источник: habr.com

Профессия — аналитик данных. Разбираемся, кто это такой, что делает, сколько платят и как им стать

Профессия аналитик данных (Дата-аналитик) — модная, современная, высокооплачиваемая и такая непонятная для новичков. Попробуем в этой статье исправить ситуацию и рассказать вам о ней все, что может вам пригодиться, если вы решите выбрать для себя это направление.

Сразу предупреждаем, что профессия достаточно сложная, не для всех, требует определенного склада ума, знания математики на высоком уровне, а также Python (правда не глубоко), SQL и многих других достаточно сложных вещей.

Кто такой аналитик данных и чем он занимается

Это высокопрофессиональный специалист, который собирает данные, обрабатывает их и делает выводы, а на основании его отчетов в компаниях принимают важнейшие решения. Поэтому цена ошибки или плохой работы любого аналитика данных — финансовая судьба бизнес-компании.

Также, дата-аналитик помогает увидеть точки роста и расширения бизнеса. Он помогает искать скрытые для обычного человека, причинно-следственные связи между огромными массивами информации, объяснять их цифрами и находить готовые решения для оптимизации бизнес-процессов в компании, где он работает.

Обязанности дата-аналитика

Взято из открытых источников.

К основным обязанностям относится:

Регулярное общение с владельцами бизнеса и определение проблемных точек в компании.
Сбор всей необходимой информации.
Создание гипотез для улучшения необходимых показателей компании.
Подготовка данных к выполнению анализа: их сортировка, фильтрация и т. д.
Определение закономерностей.
Разработка решений, которые потом можно использовать для проекта или бизнеса.
Визуализация данных для наглядности.

Рассмотрим несколько будничных задач, которые регулярно приходится решать людям этой профессии:

Автоматизация процесса сбора и обработки данных, необходимая для составления аналитических отчетов и статистики.
Поиск закономерностей в результатах своих исследований.
Внедрение бизнес-метрик, помогающих оценивать разные виды деятельности (CAC, ROI и др.).
Применение диагностической аналитики, необходимой для установления причинно-следственных связей между случившимися ранее явлениями.
Осуществление A/B тестирования. Оно необходимо, чтобы исследовать реакцию рынка на изменения, произошедшие в услугах компании.
Использование в своей работе предсказательной аналитики, нужной для выдвижения новых гипотез.
Применение методов юнит-экономики, необходимой для поиска самых выгодных решений по логистике и дистрибуции различных товаров.

Пример работы аналитика данных

Для того, чтобы вам проще было понять всю суть работы этих специалистов, предлагаем рассмотреть несколько наглядных примеров из их трудовых будней.

Дано: аналитик работает в сети интернет-магазинов по продаже одежды.
Проблема: у владельца бизнеса очень плохая эффективность при очень хорошем трафике. Говоря простым языком, люди переходят на сайт, смотрят, изучают ассортимент, но уходят, так и не совершив покупки.
Работа аналитика данных: он выясняет, на каком этапе у клиента теряется интерес. Затем предлагает и самостоятельно проверяет различные гипотезы, которые помогут удержать клиента и обязательно довести до покупки на сайте.
Итог: владелец бизнеса решает проблему с продажами, бизнес растет, все довольны и счастливы!

Это всего лишь один пример. А так, аналитики данных работают практически во всех отраслях современной экономики :

в IT-компаниях;
компаниях, оказывающих рекламные услуги;
услуги продвижения (SEO, SMM и т.д.);
в маркетинговом агентстве;
в банках;
в медицинских организациях;
в государственных структурах;
в страховом бизнесе и т.д.

Кем и где потом можно работать

Давайте рассмотрим, кем и где сможет работать человек, окончивший обучение по этой профессии.

Непосредственно, аналитиком данных .
Аналитиком в e-commerce (разрабатывать и внедрять рекомендательные системы, проводить анализ прибыльности товаров и т.д.).
Маркетинговым аналитиком (настраивает сквозную аналитику, готовит отчеты и дашборды для оценки эффективности компании).
Продуктовым аналитиком ( оценивает текущее состояние продукта, внедряет процессы аналитики в компании).
Веб-аналитиком (собирает и анализирует данные о посетителях сайта или интернет-магазина, ищет и устраняет причины плохой посещаемости или конверсии (перехода в продажи).
Аналитиком в Fin-tech (помогает улучшить механизмы оценки заемщиков, оценивает риски при выпуске новых финансовых продуктов).
Маркетплейс-аналитиком (помогает онлайн-магазинам выявить ключевые бизнес-метрики и улучшить эффективность.
Bi-аналитиком (выявляет тенденции и закономерности, плохо влияющие на эффективность компании).

Востребованность в России и зарплата

Профессия супервостребована! В этом достаточно легко убедиться пробежавшись по сайтам вакансий. Если взять самый популярный HH.RU, то на момент написания этой статьи, только по Москве было 6617 вакансий , по Питеру — 1500 вакансий, если брать такие города как Нижний Новгород, Екатеринбург, Казань, то там можно отыскать примерно по 400-500 вакансий на должность аналитика данных.

Хорошие аналитики требуются во все отрасли экономики, их мало и поэтому компании вынуждены переманивать их друг у друга, предлагая лучшие условия.

На какую зарплату можно рассчитывать? Тут конечно все будет зависеть от региона, стажа и многих других факторов. Ориентировочные цифры могут быть примерно такие:

дата-аналитик без опыта/стажер — 40-50 тысяч;
мидл — до 140-150 тысяч;
сеньор-аналитик — до 300 тысяч рублей.

Точные цифры по заработной плате можно узнать все на тех же сайтах вакансий, введя свой регион и профессию.

Что должен уметь хороший аналитик данных и какими навыками обладать

В принципе, чтобы узнать какие хард-скиллы ждет от вас будущий работодатель, достаточно открыть любой сайт вакансий по этой профессии. Рабочие задачи и навыки которые будут от вас ожидать там четко прописываются. Вот, например, мы открыли первую попавшуюся вакансию от Сбера.

Скриншот с сайта hh.ru.

Также, это может быть:

Умение писать запросы на языке SQL . Этот навык помогает автоматизировать многие рутинные задачи, анализировать данные, проверять предположения, обрабатывать очень большие объёмы информации для поиска закономерностей.
Умение формулировать гипотезы . Понадобится вам для подготовки предложений и прогнозов, которые потом смогут решить проблему или задачу компании или бизнеса.
Умение визуализировать данные в Qlik Sense, Tableau или Power BI . Графическое представление информации в дашбордах позволяет наглядно презентовать бизнесу ваши выводы и наблюдения.
Умение проводить A/B-тестирование . Этот инструмент лучше всего помогает убедиться в правильности предположений.
Умение создавать отчёты на языке пользователей . Очень важно подбирать по максимуму понятные для заказчика термины для представления результатов своей работы.
Умение использовать систему типа Big Data . С их помощью значимая информация выгружается из разнообразных источников.
Владеть критическим анализом собственных идей и информации . Навык необходим для получения достоверных выводов, основанных на цифрах, а не на привычных представлениях.
Иметь навыки коммуникации, грамотного ведения переговоров . Очень важно находить общий язык с заказчиками и правильно понимать их желания и проблемы.
Уметь работать в Google Sheets илиExcel . Этот навык понадобится вам для создания отчётов, дашбордов, предоставления информации для пользователей.

Взято из открытых источников.

Аналитик данных: платные и бесплатные курсы — что выбрать для учебы

Для начала, давайте разберем разницу между платными и бесплатными курсами. Мы рекомендуем начать с прочтения нашей статьи, которая так и называется:

Задача любых бесплатных курсов, прежде всего познакомить новичков с той или иной профессией. Вы должны четко понимать, что полноценно учить бесплатно вас никто не станет.

Но польза и у таких курсов тоже есть. Правда не у всех. Одни гуру могут лить вам воду в течении нескольких часов, рассказывая о том, насколько крута будущая профессия, с которой вы пришли познакомиться и какие золотые гору вас ожидают.

Другие — помимо лекций предложат еще и практику, что очень важно, ибо только попробовав, можно понять, хотите вы этим заниматься или нет!

Научившись выбирать хорошие бесплатные курсы вы сможете черпать знания на халяву и попутно готовиться к тому, чтобы когда-нибудь освоить выбранную профессию полноценно.