Дата-аналітик в IT: хто він, що робить та як ним стати

Владислав Кіструга — аналітик даних компанії Universe, однієї з команд Genesis. У колонці для AIN.UA він розповідає про те, чим займаються дата-аналітики в стартапах, як впливають на бізнес та з чого почати кар’єру.

Universe — це стартап в екосистемі Genesis, який розробляє мобільні застосунки: утиліти в категорії Business і Productivity та казуальні мобільні ігри. 

Роль дата-аналітика у діджитал-продукті

Процес прийняття рішень у бізнесі можливий двома способами: 

• методом експертних оцінок — рішення приймаються, спираючись на досвід спеціаліста, його кваліфіковану думку. Основна вада такого підходу в тому, що кожній людині, в силу особистого досвіду та світогляду, притаманне когнітивне спотворення дійсності;
• data-driven підходом — рішення приймаються, базуючись на аналітиці даних. Цей підхід дозволяє підтвердити або заперечити експертну оцінку та уникнути неякісних рішень, спричинених когнітивним спотворенням. 

Аналітик в IT-компанії працює з даними, і на основі них знаходить інсайти, причинно-наслідкові зв’язки, точки росту для бізнесу, слабкі місця. Цією інформацією потім користуються продакт-менеджери, маркетологи, СЕО та інші спеціалісти компанії.

У бізнесі є потреба постійного моніторингу ключових метрик: дохідність користувача (LTV), відсоток користувачів, які платять за продукт, або звичайний рівень конверсії у цільову дію. Тож якісна аналітика напряму впливає на прибуток і грошові потоки бізнесу, адже її метою є збільшення прибутку та оптимізація окупності затрат (ROI — Return on Investment).

Висновки аналітика — це остання інстанція у прийнятті об’єктивних рішень. Зазвичай цим висновкам довіряють. Це велика відповідальність — помилка може коштувати як сотні, так і сотні тисяч доларів. 

Напрями дата-аналітики в IT-продукті

У нашому бізнесі (розробка мобільних застосунків) можна виділити три основні напрями аналітики даних.

1. Маркетинг-аналітика. Це робота з маркетинговими метриками:

• воронками; 
• рівнями конверсій;
• цінами на трафік (ціна за встановлення додатку, залучення користувача, який платить) та іншими метриками; 
• залежністю метрик від якісних показників трафіку: з якої країни прийшов користувач, який у нього пристрій, в який день тижня він прийшов, скільки грошей компанія готова заплатити за його залучення, вартість рекламного креативу (що побачив користувач у Facebook, Instagram або Google) та його вплив на подальшу поведінку користувача у мобільному застосунку.

2. BI (Business Intelligence) аналітика:

• пошук відповідей на питання, скільки грошей принесе нам залучений сьогодні користувач впродовж наступного року або півроку на основі наявних даних. Часто для виконання завдань такого плану використовують алгоритми машинного навчання;
• розробка дашбордів за допомогою сервісів візуалізації даних, таких як Tableau, Power BI, або власних розробок. Наприклад, ми в Universe розробили власну систему дашбордів, які охоплюють більшість важливих показників маркетингу і BI. Наявні варіанти «під ключ», хоч і мають переваги у простоті використання, швидкості внесення змін та створенні нових дашбордів, але не повністю відповідають нашим, часто вузьким, потребам бізнесу. Власні розробки дають змогу одночасно поєднувати інтерактивність, гнучкість, простоту і машинне навчання.

3. Product-аналітика. Пошук інсайтів у даних про поведінку користувача. Ці знання можуть допомогти бізнесу отримати більше прибутку та оптимізувати окупність затрат. Включає аналітику А/В тестів, змін у додатку, нових релізів застосунку тощо. Головне завдання цього напряму — зробити правильні висновки про можливості покращення продуктів та користувацького досвіду. 

У нашому проєкті ми прийшли саме до такої структури дата-аналітики і зон відповідальності. Однак, цей поділ — умовний. Структура аналітичного відділу має залежати лише від конкретних потреб бізнесу.

Як стати аналітиком даних

Сучасний ринок праці у сфері аналітики даних лише формується. Проте вже зараз можна виокремити певні бажані вміння, до яких має прагнути data-аналітик.

П’ять необхідних хардскілів

1. Знання математики, принаймні шкільної програми. Допоможе розуміти суть методів, які використовує аналітик, які саме розрахунки відбуваються. Без цього складно робити правильні висновки зі свого аналізу.
2. Володіння мовою SQL (використовується для роботи з базами даних). 95% роботи аналітика — це робота з даними. Потрібно вміти працювати з SQL, щоб робити запити та отримувати інформацію з баз даних. 
3. Знання Excel на середньому рівні. Робота з таблицями — один із китів, на якому тримається аналітика даних. Можливості Excel для аналітика дуже широкі — від обробки даних до візуалізацій.
4. Володіння мовою Python чи R. Саме мови програмування відкривають перед аналітиком нові можливості: в якості аналізу, швидкості та ефективності.
5. Знання інструментів візуалізації: Tableau, Power BI або бібліотеки для візуалізацій у Python чи R. Це часто очікують роботодавці, тому що будь-яка ідея аналітика, яка здатна принести користь, має бути висловлена простою мовою. Графіки та візуалізації — один з найкращих методів донесення ідеї. 

П’ять софтскілів

1. Критичне мислення. У будь-яких даних потрібно сумніватися та обов’язково перевіряти, що саме в них міститься, наскільки вони повні та  коректні.
2. Ініціативність, проактивність. Ефективний аналітик у сфері стартапів не потребує, щоб йому ставили завдання зверху. Він розуміє потреби і шукає шляхи вирішення бізнесових проблем автономно, адже саме він розуміє технічні можливості дата-аналітики.
3. Допитливість. Аналітик, який не шукає, не може виконувати свою роботу якісно.
4. Терпіння. Далеко не кожна задача аналітика закінчується значущим результатом — знахідкою чи корисним інсайтом. Потрібно бути готовим до цього, приймати і просто продовжувати свою роботу.
5. Прагнення до розвитку. Технології постійно розвиваються. Треба стежити за трендами, вдосконалювати свої навички та інструментарій.  

Як влаштуватися аналітиком даних в IT

Часто аналітиками стають працівники компаній «Великої четвірки», FMCG та компаній, що займаються мобільним зв’язком. Досвід саме в ІТ-аналітиці не є критичною вимогою, адже найбільш поширена практика — коли аналітик виростає в середині компанії.

Я почав свою кар’єру в компанії «Великої четвірки», де працював аудитором понад два роки. Там отримав базові навички роботи з таблицями, непогане знання Excel, сформував критичне та аналітичне мислення.

Після аудиту я потрапив у команду Universe, спершу як маркетолог. На цій посаді зрозумів, як працює сучасний performance marketing на таких платформах як Facebook, Google, Snapchat, Apple Search Ads, Twitter тощо. Згодом ці навички і знання стали в нагоді, коли я перейшов на позицію аналітика — я вже мав цінні інсайти з трафіку, розумів потреби маркетингу і знав способи, як їх задовольнити. 

Аналітиком даних можна стати відразу після вишу. Для цього варто пройти кілька профільних курсів, що дадуть базове розуміння роботи аналітика даних та необхідних навичок.

Перспективи зростання

Ринок дата-аналітиків в Україні дуже ненасичений — спеціалістів рівня Middle+ досить мало. Це комфортні умови, щоб будувати в цій сфері кар’єру. 

Є два умовні вектори розвитку:

• Вертикальний. Класична схема «Junior — Middle — Senior — Analytics Team Lead — Head of Analytics або CAO (Chief Analytics Officer)», спрямована на розвиток спочатку власних навичок і знань, а згодом — менеджерських якостей.
• Горизонтальний — перехід аналітика в інші сфери. З аналітиків виходять хороші продакт-менеджери. Product Manager, який прийшов з аналітики, буде мати перевагу на ринку перед продуктовим менеджером-початківцем. Дата-аналітики, яким цікаво застосувати свої технічні знання, наприклад Python, у сфері розробки, часто переходять у бекенд-розробники, оскільки вони також вже здатні зрозуміти процеси у цій сфері.

Є кейси, коли колишні аналітики даних ставали успішними керівниками власних стартапів. Сильний аналітик має так званий helicopter view — бачить картину бізнесу загалом, розуміє більшість процесів у командах.

Прокачка навичок

Курси

CodeAcademy (починав саме тут вивчення SQL і Python):

• Learn SQL, де навчають мови запитів SQL на цікавих прикладах;
• Learn Python 3, який пояснює основи мови програмування Python, однієї з найпоширеніших мов для дата-аналітиків;
• Analyze data with Python, де автори показують сфери застосування Python в аналітиці даних;
• Visualize data with Python, де доступною мовою на прикладах навчають робити якісні графіки та інши види візуалізацій;
• Data Scientist, в якому навчають більш складним алгоритмам, які використовують у сфері Data Science.

Udemy:

• Data Science Training Course: Data Scientist Bootcamp — масштабний і корисний курс з Data Analytics та Data Science, який охоплює статистику та інструменти: Python і його найпопулярніші бібліотеки;
• Integrating Python, SQL, and Tableau Integration Course, де наочно показують, як сирий набір даних перетворити у цікаві та інтерактивні дашборди за допомогою SQL, Python і Tableau.

Інші ресурси

• Публікації на Medium — тут можна знайти інформацію, як спеціалісти вирішують конкретні проблеми в аналітиці даних.
• Книга «Статистика для всіх» Сари Бослаф, у якій простою мовою пояснюються основи статистики. Інформація буде зрозумілою навіть для початківців у аналітиці.

Автор: Владислав Кіструга, аналітик даних компанії Universe