Владислав Киструга – аналитик данных компании Universe, одной из команд Genesis. В колонке для AIN.UA он рассказывает о том, чем занимаются дата-аналитики в стартапах, как влияют на бизнес и с чего начать карьеру.

Владислав Киструга
Фото здесь и далее предоставлены автором

Universe – это стартап в экосистеме Genesis, который разрабатывает мобильные приложения: утилиты в категории Business и Productivity и казуальные мобильные игры.

Роль дата-аналитика в диджитал-продукте

Процесс принятия решений в бизнесе возможен двумя способами:

  • методом экспертных оценок – решения принимаются, опираясь на опыт специалиста, его квалифицированное мнение. Основной недостаток такого подхода в том, что каждому человеку, в силу личного опыта и мировоззрения, присуще когнитивное искажение действительности;
  • data-driven подходом – решения принимаются, основываясь на аналитике данных. Этот подход позволяет подтвердить или опровергнуть экспертную оценку и избежать некачественных решений, вызванных когнитивным искажением.

Аналитик в IT-компании работает с данными, и на основе них находит инсайты, причинно-следственные связи, точки роста для бизнеса, слабые места. Этой информацией потом пользуются продакт-менеджеры, маркетологи, СЕО и другие специалисты компании.

В бизнесе есть потребность постоянного мониторинга ключевых метрик: доходность пользователя (LTV), процент пользователей, которые платят за продукт, или обычный уровень конверсии в целевое действие. Поэтому качественная аналитика напрямую влияет на прибыль и денежные потоки бизнеса, ведь ее целью является увеличение прибыли и оптимизация окупаемости затрат (ROI – Return on Investment).

Выводы аналитика – это последняя инстанция в принятии объективных решений. Обычно этим выводам доверяют. Это большая ответственность – ошибка может стоить как сотни, так и сотни тысяч долларов.

Направления дата-аналитики в IT-продукте

В нашем бизнесе (разработка мобильных приложений) можно выделить три основных направления аналитики данных.

  1. Маркетинг-аналитика. Это работа с маркетинговыми метриками:
  • воронками; 
  • уровнями конверсий;
  • ценами на трафик (цена за установку приложения, привлечение платящего пользователя) и другими метриками;
  • зависимостью метрик от качественных показателей трафика: из какой страны пришел пользователь, какое у него устройство, в какой день недели он пришел, сколько денег компания готова заплатить за его привлечение, стоимость рекламного креатива (что увидел пользователь в Facebook, Instagram или Google) и его влияние на дальнейшее поведение пользователя в мобильном приложении.
  1. BI (Business Intelligence) аналитика:
  • поиск ответов на вопрос, сколько денег принесет нам привлеченный сегодня пользователь в течение следующего года или полугода на основе имеющихся данных. Часто для выполнения задач такого плана используют алгоритмы машинного обучения;
  • разработка дашбордов с помощью сервисов визуализации данных, таких как Tableau, Power BI, или собственных разработок. Например, мы в Universe разработали собственную систему дашбордов, которые охватывают большинство важных показателей маркетинга и BI. Существующие варианты «под ключ», хоть и имеют преимущества в простоте использования, скорости внесения изменений и создании новых дашбордов, но не полностью отвечают нашим, часто узким, потребностям бизнеса. Собственные разработки позволяют одновременно сочетать интерактивность, гибкость, простоту и машинное обучение.
  1. Product-аналитика. Поиск инсайтов в данных о поведении пользователя. Эти знания могут помочь бизнесу получить больше прибыли и оптимизировать окупаемость затрат. Включает аналитику А/В тестов, изменений в приложении, новых релизов приложения и тому подобное. Главная задача этого направления – сделать правильные выводы о возможностях улучшения продуктов и пользовательского опыта.

В нашем проекте мы пришли именно к такой структуре дата-аналитики и зон ответственности. Однако, это разделение – условное. Структура аналитического отдела должна зависеть только от конкретных потребностей бизнеса.

Как стать аналитиком данных

Современный рынок труда в сфере аналитики данных только формируется. Однако уже сейчас можно выделить определенные желаемые умения, к которым должен стремиться data-аналитик.

Пять необходимых хардскилов

  1. Знание математики, по крайней мере школьной программы. Поможет понимать суть методов, которые использует аналитик, какие именно расчеты происходят. Без этого сложно делать правильные выводы из своего анализа.
  2. Владение языком SQL (используется для работы с базами данных). 95% работы аналитика – это работа с данными. Нужно уметь работать с SQL, чтобы делать запросы и получать информацию из баз данных.
  3. Знание Excel на среднем уровне. Работа с таблицами – один из китов, на котором держится аналитика данных. Возможности Excel для аналитика очень широки – от обработки данных до визуализаций.
  4. Владение языком Python или R. Именно языки программирования открывают перед аналитиком новые возможности: в качестве анализа, скорости и эффективности.
  5. Знание инструментов визуализации: Tableau, Power BI или библиотеки для визуализаций в Python или R. Это часто ожидают работодатели, потому что любая идея аналитика, которая способна принести пользу, должна быть выражена простым языком. Графики и визуализации – один из лучших методов донесения идеи.

Пять софтскилов

  1. Критическое мышление. В любых данных нужно сомневаться и обязательно проверять, что именно в них содержится, насколько они полные и корректные.
  2. Инициативность, проактивность. Эффективный аналитик в сфере стартапов не нуждается в том, чтобы ему ставили задачи сверху. Он понимает потребности и ищет пути решения бизнес-проблем автономно, ведь именно он понимает технические возможности дата-аналитики.
  3. Любознательность. Аналитик, который не ищет, не может выполнять свою работу качественно.
  4. Терпение. Далеко не каждая задача аналитика заканчивается значимым результатом – находкой или полезным инсайтом. Нужно быть готовым к этому, принимать и просто продолжать свою работу.
  5. Стремление к развитию. Технологии постоянно развиваются. Надо следить за трендами, совершенствовать свои навыки и инструментарий.

Как устроиться аналитиком данных в IT

Часто аналитиками становятся работники компаний «Большой четверки», FMCG и компаний, занимающихся мобильной связью. Опыт именно в ІТ-аналитике не является критическим требованием, ведь наиболее распространенная практика – когда аналитик вырастает внутри компании.

Я начал свою карьеру в компании «Большой четверки», где работал аудитором более двух лет. Там получил базовые навыки работы с таблицами, неплохое знание Excel, сформировал критическое и аналитическое мышление.

После аудита я попал в команду Universe, сначала как маркетолог. На этой должности понял, как работает современный performance marketing на таких платформах как Facebook, Google, Snapchat, Apple Search Ads, Twitter и др. Впоследствии эти навыки и знания пригодились, когда я перешел на позицию аналитика – я уже имел ценные инсайты по трафику, понимал потребности маркетинга и знал способы, как их удовлетворить.

Аналитиком данных можно стать сразу после вуза. Для этого стоит пройти несколько профильных курсов, которые дадут базовое понимание работы аналитика данных и необходимых навыков.

Перспективы роста

Рынок дата-аналитиков в Украине очень ненасыщенный – специалистов уровня Middle+ достаточно мало. Это комфортные условия, чтобы строить в этой сфере карьеру.

Есть два условных вектора развития:

  • Вертикальный. Классическая схема «Junior – Middle – Senior – Analytics Team Lead – Head of Analytics или CAO (Chief Analytics Officer)», направленная на развитие сначала собственных навыков и знаний, а впоследствии – менеджерских качеств.
  • Горизонтальный – переход аналитика в другие сферы. Из аналитиков получаются хорошие продакт-менеджеры. Product Manager, который пришел из аналитики, будет иметь преимущество на рынке перед начинающим продуктовым менеджером. Дата-аналитики, которым интересно применить свои технические знания, например Python, в сфере разработки, часто переходят в бэкэнд-разработчики, поскольку они также уже способны понять процессы в этой сфере.

Есть кейсы, когда бывшие аналитики данных становились успешными руководителями собственных стартапов. Сильный аналитик имеет так называемый helicopter view – видит картину бизнеса в целом, понимает большинство процессов в командах.

Прокачка навыков

Курсы

CodeAcademy (начинал именно здесь изучение SQL и Python):

  • Learn SQL, где обучают языку запросов SQL на интересных примерах;
  • Learn Python 3, который объясняет основы языка программирования Python, одного из самых распространенных языков для дата-аналитиков;
  • Analyze data with Python, где авторы показывают сферы применения Python в аналитике данных;
  • Visualize data with Python, где доступным языком на примерах учат делать качественные графики и другие виды визуализаций;
  • Data Scientist,в котором обучают более сложным алгоритмам, которые используют в сфере Data Science.

Udemy:

  • Data Science Training Course: Data Scientist Bootcamp — масштабный и полезный курс по Data Analytics и Data Science, который охватывает статистику и инструменты: Python и его самые популярные библиотеки;
  • Integrating Python, SQL, and Tableau Integration Course, где наглядно показывают, как сырой набор данных превратить в интересные и интерактивные дашборды с помощью SQL, Python и Tableau.

Другие ресурсы

  • Публикации на Medium – здесь можно найти информацию, как специалисты решают конкретные проблемы в аналитике данных.
  • Книга «Статистика для всех» Сары Бослаф, в которой простым языком объясняются основы статистики. Информация будет понятна даже для начинающих в аналитике.

Автор: Владислав Киструга, аналитик данных компании Universe