Дата аналитик

Хард скилы нужны для начинающего аналитика

Войти в аналитику с университетскими знаниями недостаточно.
Рынок труда достаточно требователен, поэтому необходимо многое изучать самостоятельно и развивать различные навыки. Для работы дата аналитиком в сфере IT вам понадобятся следующие навыки.

Математическая база, особенно статистика, анализ данных и основы линейной алгебры.
Эти дисциплины являются инструментами в процессе анализа и существенно помогают в принятии решений. Особое внимание следует уделить следующим аспектам:
Теория вероятностей, включая понятие стохастического опыта, вероятности, и главные функции распределения.
Основные понятия статистики,
такие как количественные и качественные переменные, генеральная совокупность и выборка, основные описательные статистики (медиана, среднее, дисперсия и т. д.), понятие статистического эксперимента, статистическая значимость и статистическая мощность.
Основные понятия линейной алгебры, включая матрицы и операции с ними. Многие получают базовое понимание этих дисциплин в университете. Изучение этих абстрактных дисциплин помогает освоить основы, которые будут полезны в будущем.

SQL - язык запросов,
основной инструмент для работы с базами данных. Data analyst использует SQL, чтобы извлечь необходимую информацию и делать выводы для продуктовых команд. Для начала следует изучить создание и изменение таблиц (DDL) или их содержимого (DML) с помощью SQL, а также базовые запросы для извлечения данных (DQL). Также важно разобраться в различиях между разными типами баз данных.

Визуализация данных
- умение представлять данные графически и анализировать динамику метрик. Для этого дата аналитики часто используют инструменты, такие как Tableau и Power BI. У этих инструментов схожие возможности визуализации. Power BI является частью инфраструктуры Microsoft и удобно сочетается с другими продуктами компании, а Tableau поддерживается на всех платформах, что позволяет свободно обмениваться файлами между специалистами, работающими на iOS, Windows и Linux. Следует изучить основные виды визуализаций, доступные в этих инструментах, и разобраться, какие из них подходят для определенных случаев.

Программирование на Python или R.
В зависимости от вакансии и работодателя, вы будете использовать один из этих языков программирования. Необходимо хотя бы базово ознакомиться с принципами каждого из них. Python в настоящее время является более распространенным и универсальным.

Понимание базовых метрик.
Вот список показателей, с которыми стоит ознакомиться, независимо от того, с каким продуктом вы работаете:
ARPU (Средний доход с одного пользователя за определенный период)
ARPPU (Средняя выручка с одного платящего пользователя)
ROI (Окупаемость инвестиций)
LTV (Пожизненная стоимость клиента)
CPC (Стоимость клика на рекламу на внешней платформе)
CPM (Стоимость тысячи показов на определенном ресурсе)

Кроме того, важно разобраться в разнице между абсолютными и относительными метриками и со временем определить, какой набор метрик лучше всего отвечает на конкретный вопрос. В зависимости от характеристик конкретного продукта, аналитику приходится сталкиваться и с другими показателями.

Умение проводить A/B-тесты.
Важно уметь проводить A/B-тесты, так как это фундаментальный инструмент проверки гипотез. Поэтому важно разобраться, как проводить такие тесты и какие подходы могут быть эффективны для достижения ваших бизнес-задач.

Английский язык.
Также необходимо иметь навыки владения английским языком. На начальном этапе достаточно уровня B1. Для развития в этой области рекомендуется чтение специализированных учебников, статей, просмотр видеоматериалов и прослушивание подкастов, которые обычно представлены на английском языке. Устные навыки английского реже используются среди младших специалистов в продуктовых компаниях (если только это не англоязычная команда). В основном такие навыки требуются менеджерам и более опытным сотрудникам, которые в большей степени общаются с партнерами.

Какие нужны софт скилы

Умение коммуницировать и работать в команде.
Аналитики данных часто взаимодействуют с другими командами, такими как аналитики других проектов, разработчики, retention-команда и т. д. Им приходится часто пояснять и согласовывать свои идеи и предложения, разбираться в работе различных частей продукта и решать противоречивые ситуации. Если возникают проблемы, то используются приоритеты на определенный период и решаются сначала более важные важные вопросы.

Организованность и внимание к деталям.
Дата аналитик часто первым замечает, что что-то идет не так (если это не связано с техническими аспектами). Для этого лучше всего создать привычку регулярно проверять ключевые показатели и постоянно спрашивать себя: "Почему так происходит?".
Для этого существует множество программ, таких как Trello и Todoist.

Управление временем.
Еще одним аспектом является умение управлять временем, так как даже у младшего дата аналитика могут возникнуть несложные задачи, которые отнимают много времени. Если такие задачи накапливаются, это приводит к дополнительным проблемам. Поэтому часто задачи планируются в Google Calendar и выделяются определенные временные слоты для конкретных, особенно регулярных, задач.

Принятие решений.

В некоторых ситуациях может не быть единственно правильного пути, но необходимо взять на себя ответственность за решение и его последствия. Это может показаться трудным с моральной и эмоциональной точки зрения, но положительный результат достигается благодаря работе всей команды, а не только работы Data Analyst специалиста. Ошибки считаются нормальными, если их быстро обнаруживать и исправлять.