07.12.2023 ПУБЛИКАЦИИ

Как найти хорошего аналитика данных: 9 важных критериев для отбора и 1 конкурентное преимущество

Данные — новая нефть бизнеса, а принятие решений на их основе останется важным направлением развития компаний в 2024 году.

Для извлечения ценности из данных компании внедряют системы бизнес-аналитики – наборы методов и инструментов для сбора, обработки, анализа данных. Однако, чтобы BI-система приносила пользу, необходимы не только технологии и алгоритмы.
Нужны эксперты, которые будут интерпретировать данные, тестировать гипотезы и автоматизировать отчетность, помогая бизнесу принимать эффективные решения.

Одна из ключевых ролей в data-driven компании, принимающей решения на основе данных - аналитик данных (Data Analyst или дата-аналитик). Этот специалист участвует во всем жизненном цикле разработки, внедрения и поддержания работы BI-системы. Он собирает и выявляет требования к функциям системы, а затем переводит их на понятный для ИТ-специалистов язык.

В этой статье расскажем, на какие важные навыки стоит обратить внимание работодателям, чтобы выбрать хорошего дата- аналитика в команду.

Ситуация на рынке труда

Сферы управления и анализа данных стали одними из самых привлекательных для трудоустройства.
По статистике HH.ru, уровень конкуренции специалистов в области работы с данными сейчас один из самых высоких.
Уровень конкуренции (соотношение числа резюме к одной вакансии) по основным ИТ-профессиям, Россия, 2023. Источник: HH.ru

Аналитики данных нужны практически в любой отрасли, ведь без таких специалистов невозможна цифровая трансформация бизнеса. Наиболее востребованы в ИТ, финансовом секторе, ритейле и фудритейле.

В связи с популярностью направления получение профессии дата- аналитика становится более доступным. Появляется большое количество курсов, в том числе, бесплатных, которые обещают за короткие сроки обучить основам профессии и выпустить готовых к трудоустройству специалистов.

Рынок перенасыщается новичками с поверхностными знаниями, никогда ранее не применяемыми на практике, и главной сложностью для работодателя становится выбор перспективного эксперта среди большого количества кандидатов.

Задачи аналитика данных

Аналитик данных – это специалист на стыке ИТ и бизнеса, который собирает и обрабатывает данные, изучает процессы компании, делает выводы и находит решения бизнес-задач.

Так в общих чертах можно описать задачи дата-аналитика:

  • Сбор данных из внутренних и внешних источников компании
  • Обработка данных: классификация, структурирование, актуализация
  • Поиск закономерностей в данных и выявление аномалий, расчет показателей, необходимых для оценки эффективности бизнеса
  • Прогнозирование и построение гипотез для совершенствования процессов компании
  • Представление полученных выводов в понятном для коллег виде с помощью графиков, диаграмм, отчетов
Аналитика данных находится на пересечении трёх направлений — программирования, моделирования бизнес-процессов и статистики.

В зависимости от отрасли, требования к навыкам дата-аналитика будут отличаться. Но есть основной стек критериев, по которым можно оценить квалификацию кандидата.

Важные критерии отбора дата-аналитика

1. Понимание жизненного цикла ПО (Software Development Life Cycle, SDLC)

SDLC – это набор типовых этапов, необходимых для создания ПО. Очерёдность этапов определяется моделью процессов разработки ПО: каскадная, V-образная, инкрементная, итерационная и т. д.
Для управления проектом разработки используются гибкие и классические методологии: Scrum, Waterfall, Kanban.
Знания этапов разработки ПО и методологий управления важны для эффективного взаимодействия с проектной командой.

2. Навыки моделирования бизнес-процессов

Ни один бизнес-процесс нельзя улучшить, предварительно не описав его и не собрав требования к нему.
В бизнес-анализе для визуализации процессов используют графические языки с конкретными нотациями: BPMN (Business Process Management Notation) или UML (Унифицированный язык моделирования, Unified Modeling Language).

Цель использования этих языков - создание диаграмм и схем процесса с помощью стандартного набора условных обозначений, понятных всем бизнес-пользователям.

3. Знание SQL

Дата-аналитикам нужны знания нескольких языков программирования. Они требуются для автоматизации работы с базами данных и поиска в них нужной информации.
Первым и самым важным среди них является Structured Query Language или SQL. Это широко распространенный стандартный язык баз данных, используемый для формирования запросов к БД и управления данными.
Для работы с базами данных аналитику важно понимать структуру запросов, уметь использовать функции агрегации и фильтрации данных, знать структуры таблиц и связей между ними, уметь работать с подзапросами.

4. Знание R и Python

R и Python - популярные языки программирования, которые позволяют более гибко изучать данные, настраивать рабочие процессы анализа и внедрять расширенные алгоритмы и модели.
R — язык, который используется для разработки статистического программного обеспечения и анализа данных, предлагающий библиотеки для создания динамических и интерактивных графиков.
Python является более универсальным языком программирования, подходящим не только для анализа данных, но и для веб-разработки, разработки программного обеспечения, написания системных сценариев и других предметных областей.
Согласно индексу TIOBE (TIOBE programming community index), оценивающему популярность языков программирования, сегодня Python – самый популярный язык

5. Навыки управления качеством данных

Нормализация, актуализация, обогащение, маппинг данных составляют примерно 80% рабочей нагрузки специалистов по работе с данными.
Аналитикам данных постоянно приходится обращаться к данным из разрозненных источников, чтобы подготовить их к анализу.
Умение приводить данные в порядок очень важный навык, ведь качественные данные на старте превосходят в своей эффективности любые сложные алгоритмы обработки в дальнейшем.

6. Статистический анализ

Статистика - краеугольный камень анализа данных, необходимый для проверки гипотез и прогнозирования результатов. Статистический анализ позволяет подходить к данным с научной точки зрения, приближаясь к «истине», стоящей за ними.
Потенциальному сотруднику должны быть знакомы такие понятия, как дисперсия, медианное значение, стандартное отклонение, распределение Пуассона, регрессионный и корреляционный анализ. Он должен уметь применять статистические методы для выявления закономерности, распределения и аномалий в данных.

7. Визуализация данных, разработка дашбордов и отчетов

Визуализация данных — это процесс преобразования данных из источников в диаграммы, графики, таблицы и другие форматы, интуитивно понятные для пользователей.

Работа аналитика данных включает в себя разработку отчетов и дашбордов, для их создания и визуализации данных используют BI-платформы, например, PIX BI или FineBI.
Понимая, в каком виде какую информацию представить, аналитики могут помочь пользователям получить знания, скрытые в огромных наборах данных, и сделать процесс принятия решений на их основе более доступным.

8. Продвинутые навыки Excel

Excel бизнес-аналитики используют для базовых расчётов, создания сводных таблиц, диаграмм.
Excel имеет свой собственный язык программирования VBA (Visual Basic for Applications), который позволяет создавать макросы для быстрого среза по собранным данным. VBA может сэкономить аналитикам значительное количество времени на повторяющихся задачах в управлении проектами.

9. Критическое мышление и логика

Аналитикам данных необходимо находить корреляции и делать выводы из, казалось бы, не связанных между собой больших массивов данных, поэтому так важно развивать логику и критическое мышление. Такой тип мышления помогает аналитикам выявлять предубеждения и вводящие в заблуждение факторы, что приводит к более полному и объективному анализу.


Дополнительный навык, который выделит специалиста среди остальных кандидатов и может стать перспективным в ближайшем будущем:

10. Знание инструментов AI и ML

Эти навыки сейчас в тренде в связи с растущей популярностью инструментов на базе искусственного интеллекта и предиктивной аналитики. Освоение инструментов AI (искусственного интеллекта) и ML (машинного обучения) помогает аналитикам автоматизировать моделирование процессов и прогнозирование, и может стать дополнительным преимуществом кандидата.

Дата-аналитики — это связующее звено: с одной стороны, они понимают язык бизнес-пользователя и его потребности, а с другой — технический язык ИТ для формирования качественных требований к проекту.

Аналитики данных знают, как задавать правильные вопросы, оценивать полученную информацию, использовать инструменты визуализации. Они помогают в принятии решений для снижения затрат, улучшении качества продуктов и услуг и в открытии новых возможностей для компании.

Ищете хорошего дата-аналитика в команду?

Qlever Solutions предоставляет услуги подбора сотрудников на ИТ-проекты. Свяжитесь с нами, и мы вместе определим, какие сотрудники нужны для решения ваших уникальных задач.