В 2016 году тогдашний глава Intel Брайан Кржанич объявил данные «новой нефтью». Топ-менеджер говорил про индустрию умных автомобилей, сравнивая постоянный сбор информации с заправкой машины бензином. Сегодня подобные параллели можно провести практически в любой отрасли: в здравоохранении аналитические системы помогают создавать лекарства и диагностировать заболевания, онлайн-гипермаркеты формируют индивидуальные предложения по интересам посетителей, и даже государственные органы развивают электронные сервисы.
В каждой современной организации, которая встаёт на цифровые рельсы, должен быть человек, который исследует и организует постоянно растущий поток информации. Это и есть аналитик данных — он вычищает мусорные сигналы и определяет инсайты для развития бизнеса.
Информация как искусство
Если вы думаете, что эта работа состоит в монотонном копании в таблицах, то вы заблуждаетесь. Человек третьего тысячелетия может доверить рутину автоматизированным скриптам, чтобы направить ресурсы на более креативные задачи. Поэтому главный навык аналитика данных — не работа с Excel, а коммуникация, умение получить информацию от коллег и представить им результаты своих изысканий.
К этим специалистам приходят с вопросами сотрудники самых разных подразделений компании. Менеджеры по продажам могут обратиться за помощью с поиском клиентов. Маркетинговые эксперты попросят проанализировать эффективность кампаний. Другие департаменты захотят доработать производственные цепочки, оптимизировать логистику или выстроить сервисные процессы. В каждом случае аналитик обращается за ответами к BI-системам, выгружает сырые данные и формирует отчёты.
Полученный результат должен рассказать историю: каково текущее положение вещей, в чем причины тех или иных явлений, как изменить ситуацию. Чтобы вникнуть в проблему, аналитик должен уверенно понимать взаимосвязь разных корпоративных процессов. Тот факт, что такой эксперт общается с множеством коллег, помогает ему увидеть общую картину и при необходимости установить контакт между разными отделами компании.
Технический инструментарий
Как и в случае с другими профессиями в области работы с информацией, для аналитика данных важнее правильный склад ума, чем знакомство с десятком специализированных программ. Это позволяет ему увидеть паттерны и тенденции за рядами цифр. А освоить нужный софт можно буквально за несколько недель.
Именно поэтому один из модулей специализации «Аналитик данных», который посвящён развитию нужного взгляда на задачи, занимает 24 недели. Далее слушатели знакомятся с базами данных, основами статистики, учатся работать с таблицами Google и, разумеется, писать код на Python. В рамках каждого такого модуля, которые длятся по 1–2 месяца, студенты разбирают реальные бизнес-кейсы, отрабатывая те или иные инструменты в специальных тренажёрах. В итоге они получают рабочие методы для основных бизнес-задач и ситуаций.
Выберите свой класс
В зависимости от задач, которые компании ставят перед аналитиками данных, такие эксперты условно распределяются по четырём категориям:
- Наблюдение и описание. Эти специалисты работают с накопленными данными и определяют существующие тенденции. Куда двигается рынок? Как меняется интернет-трафик? Насколько сезон влияет на поток прибыли? Такие вопросы помогают организации оставаться в тренде и планировать будущие шаги.
- Диагностика и объяснение причин. Аналитики второго типа сравнивают разные наборы данных, чтобы найти корни тех или иных явлений. Почему продажи пошли вниз? Где в цепочке обслуживания компания теряет клиентов? Или наоборот, какой сервис позволил закрыть квартал в плюсе? Эти ответы дают топ-менеджменту пищу для размышлений и принятия решений.
- Прогнозирование. Такие эксперты работают с результатами исследований, позволяя бизнесу предпринимать упреждающие шаги: выводить на рынок новые услуги, инвестировать в технологии, которые выстрелят через пять лет, и отказываться от направлений на исходе их жизненного цикла.
- Планирование и предписание. Самую ответственную работу выполняют специалисты, которые могут изучить проблему и предложить конкретные бизнес-решения. Такие аналитики активно работают с технологиями машинного обучения и по сути своей ближе к дата-сайентистам (о разнице между этими профессиями мы поговорим ниже).
Как показывают исследования, наибольшим спросом у крупных компаний пользуются эксперты-диагносты и прогностики. С другой стороны, аналитикам-наблюдателям труднее бороться за высокие оклады, поскольку их работу проще автоматизировать.
Аналитики данных и Data Science
Напоследок разберёмся, где пролегает граница между аналитиком и экспертом по Data Science. И те, и другие ищут полезную информацию в сырых данных. И те, и другие предлагают заказчикам пути решения их проблем. Тем не менее, рынок разделяет эти два понятия — и вот почему.
В отличие от дата-сайентиста, аналитик данных занимается и хранилищами информации, и их очисткой, и интеграцией. Нередко под его ответственность попадает и контроль производительности IT-систем, которые могут буксовать из-за проблем с источниками данных.
С другой стороны, специалист по Data Science глубже погружен в математические и статистические модели, больше работает с кодом и технологиями искусственного интеллекта. Такие специалисты не просто определяют тенденции, но прогнозируют и строят модели. Аналитик Данных задействован в решении прикладных задач, но при желании может вырасти в дата-сайентиста — для этого ему нужно будет овладеть нейросетями, расширить свои компетенции в статистике и дата-майнинге. Если вас интересует такая карьера, подробнее о ней можно почитать здесь
