Что почитать аналитику данных: 5 книг для саморазвития

Содержание

Чем занимается аналитик данных и где он нужен

 — это специалист, который занимается сбором, обработкой и интерпретацией данных: это могут быть данные о продукте, о его продвижении или о компании (например, количество активных пользователей, коэффициент удержания или возврат на инвестиции). Сферы применения его знаний ничем не ограничены — они могут пригодиться и в медицинской организации, и в инвестиционной фирме.

В маленьких компаниях обычно нет аналитиков из-за недостаточного количества данных, а в корпорациях интерес к этой профессии, наоборот, повышенный. Так,

Особенной популярностью представители этой профессии пользуются в крупных рекламных агентствах и финансовых организациях. В этих сферах за каждую ошибку платишь рублем, поэтому руководители стараются минимизировать потери компании, нанимая сильных специалистов.

Научиться анализировать Большие Данные и начать управлять «Матрицей» вам поможет наш курс «Big Data».

Личные качества

Хороший аналитик данных — это не только метрики и отчеты. Вне зависимости от профиля, классный специалист должен обладать гибкими навыками, которые нужны для продуктивной работы:

Системное мышление и логика

Важно уметь анализировать, синтезировать, сравнивать и делать выводы из порой неочевидных закономерностей
Аналитик должен понимать, из каких предпосылок он исходит в своих суждениях, и проверять их корректность.

Внимание к деталям, методичность и рациональный скептицизм. Все результаты анализа должны быть проверены, перепроверены и обоснованы
Лучше уточнить непонятные детали и усомниться даже в самом авторитетном мнении, чем запустить ненужный продукт.

Вежливость, навыки общения и повествования

Аналитики общаются со специалистами из разных направлений: бизнес, ИТ, бухгалтерия и безопасность. Важно сохранять конструктивный и вежливый подход, не поддаваться на провокации и лоббировать интересы своего отдела.

Терпение. Пригодится при очередном письме «концепция изменилась, давайте посчитаем заново».

Прагматизм и деловой подход. Важно концентрироваться на тех вопросах, которые позволят улучшить показатели работы компании: увеличить доходы, сократить затраты, оптимизировать процессы.

Стремление учиться. Хороший аналитик любит узнавать новое и расширять свой кругозор.

Кто такой аналитик данных?

Data Analyst – это специалист, который занимается анализом данных, прочем не только структурированных и выраженных в цифровом измерении. Это может быть информация за прошлые периоды или в режиме реального времени. Задача аналитика – выявить закономерности и понять как это можно использовать в дальнейшем, а в каких то случаях даже автоматизировать некоторые решения.

Аналитик данных может работать в любой сфере – промышленное предприятие, банковское дело, страхование, научно-исследовательские учреждения, ритейл и многие другие. Особенно важна эта работа сейчас, когда многие перевели свой бизнес в интернет. Специалист должен уметь анализировать и понимать любые данные, делать правильные выводы. Именно от его  профессионализма зависит успех многих принимаемых бизнес-решений.  Если аналитик ошибся и сделал неверные выводы, это может привести к значительным убыткам.

Казалось бы как все просто – собрал данные, систематизировал и сделал выводы. Но на самом деле работа аналитика достаточно сложная и трудоемкая. Иногда, чтобы сделать вывод нужно перелопатить очень большой объем информации и не всегда решения лежат на поверхности. Но результат того стоит: аналитик не только помогает найти лучшие решения для развития бизнеса, но и найти слабые места, которые впоследствии можно устранить. А если вы ведете свой бизнес в интернете, аналитика поможет  оценить потребности вашей целевой аудитории. Здесь без грамотного специалиста точно не обойтись.

А теперь немного о том, какие данные чаще всего изучают data analyst. Сейчас трудно найти компанию, у которой не было бы своего сайта. Поэтому для успешного развития необходимо постоянно анализировать этот ресурс (количество посещений, какие страницы наиболее популярны, что чаще всего покупают, как работает реклама).

Также data analyst  занимаются  анализом  продуктов и товаров (что покупают, сколько покупают, какой средний чек и процент возврата,  какая продукция приносит наибольший доход).

Я привела примеры наиболее популярных направлений в аналитике данных. Но это еще не все – анализировать можно маркетинговые мероприятия (рекламные акции), доходность компании, инвестиционные проекты. В любом случае, грамотная интерпретация любых данных аналитиком, помогает принимать верные решения, которые способствуют развитию бизнеса и дают преимущество в конкурентной борьбе.

Data Analytics Technology

Data analytics is nothing new. Today, though, the growing volume of data and the advanced analytics technologies available mean you can get much deeper data insights more quickly. The insights that big data and modern technologies make possible are more accurate and more detailed. In addition to using data to inform future decisions, you can also use current data to make immediate decisions.

Some of the technologies that make modern data analytics so powerful are:

  • Machine learning: Artificial intelligence (AI) is the field of developing and using computer systems that can simulate human intelligence to complete tasks. Machine learning (ML) is a subset of AI that is significant for data analytics and involves algorithms that can learn on their own. ML enables applications to take in data and analyze it to predict outcomes without someone explicitly programming the system to reach that conclusion. You can train a machine learning algorithm on a small sample of data, and the system will continue to learn as it gathers more data, becoming more accurate as time goes on.
  • Data management: Before you can analyze data, you need to have procedures in place for managing the flow of data in and out of your systems and keeping your data organized. You also need to ensure that your data is high-quality and that you collect it in a central data management platform (DMP) where it’s available for use when needed. Establishing a data management program can help ensure that your organization is on the same page regarding how to organize and handle data.
  • Data mining: The term data mining refers to the process of sorting through large amounts of data to identify patterns and discover relationships between data points. It enables you to sift through large datasets and figure out what’s relevant. You can then use this information to conduct analyses and inform your decisions. Today’s data mining technologies allow you to complete these tasks exceptionally quickly.
  • Predictive analytics: Predictive analytics technology helps you analyze historical data to predict future outcomes and the likelihood of various outcomes occurring. These technologies typically use statistical algorithms and machine learning. More accurate predictions means businesses can make better decisions moving forward and position themselves to succeed. It allows them to anticipate their customers’ needs and concerns, predict future trends and stay ahead of the competition.

4 Ways to Use Data Analytics

Data has the potential to provide a lot of value to businesses, but to unlock that value, you need the analytics component. Analysis techniques give businesses access to insights that can help them to improve their performance. It can help you improve your knowledge of your customers, ad campaigns, budget and more.

As the importance of data analytics in the business world increases, it becomes more critical that your company understand how to implement it. Some  benefits of data analytics include:

1. Improved Decision Making

Companies can use the insights they gain from data analytics to inform their decisions, leading to better outcomes.

Data analytics eliminates much of the guesswork from planning marketing campaigns, choosing what content to create, developing products and more. It gives you a 360-degree view of your customers, which means you understand them more fully, enabling you to better meet their needs. Plus, with modern data analytics technology, you can continuously collect and analyze new data to update your understanding as conditions change.

2. More Effective Marketing

When you understand your audience better, you can market to them more effectively. Data analytics also gives you useful insights into how your campaigns are performing so that you can fine-tune them for optimal outcomes.

Using the Lotame Campaign Analytics tool, you can gain insights into which audience segments are most likely to interact with a campaign and convert. You can use this information to adjust your targeting criteria either manually or through automation, or use it to develop different messaging and creative for different segments. Improving your targeting results in more conversions and less ad waste.

3. Better Customer Service

Data analytics provide you with more insights into your customers, allowing you to tailor customer service to their needs, provide more personalization and build stronger relationships with them. 

Your data can reveal information about your customers’ communications preferences, their interests, their concerns and more. Having a central location for this data also ensures that your whole customer service team, as well as your sales and marketing teams, are on the same page.

4. More Efficient Operations

Data analytics can help you streamline your processes, save money and boost your bottom line. When you have an improved understanding of what your audience wants, you waste less time on creating ads and content that don’t match your audience’s interests.

This means less money wasted as well as improved results from your campaigns and content strategies. In addition to reducing your costs, analytics can also boost your revenue through increased conversions, ad revenue or subscriptions.

Любому игровому проекту нужна аналитика

посчитали достигнетData Driven

  • Традиционная статистика — собираем отчёты, в которых рассказываем, что на прошлой неделе в игре упали продажи определённых предметов. Показываем в динамике, как менялся уровень продаж за весь год.
  • Data Driven — собираем данные, которые показывают, почему игроки перестали покупать предметы. Выяснили, что после последнего обновления слегка поменялся баланс в нескольких квестах, игроки буквально пробегают все задачи без труда и потребность в предметах исчезла. В отчёте предлагаем пути исправления — например, изменение характеристик мобов в нужных локациях.

Чем еще нужно обладать?

Помимо образования, есть несколько качеств, которые, как мне кажется, пригодятся дата-сайентисту.

Математический склад ума. В процессе принятия решений человек должен руководствоваться в первую очередь логическими умозаключениями.

Нестандартное мышление. Часто бывает, что для того, чтобы все работало, достаточно добавить или заменить всего одну строчку в коде. И аналитику нужно додуматься, какую именно.

Усидчивость. У дата-сайентистов довольно много рутинной работы, например, загрузка и предварительная обработка данных, проверка гипотез — не самые интересные и приятные этапы рабочего процесса. Но без них остальная часть работы невозможна, поэтому специалист должен уметь себя заставить делать что-то не очень интересное. 

Дотошность

Мне, например, важно системно докопаться до сути вопроса, даже если на самом деле он не является важным. Например, после просмотра какого-нибудь фильма от Marvel я могу потратить много времени, систематизируя информацию об этой киновселенной: о супергероях, их истории, способностях и взаимоотношениях, о значимых событиях и так далее

В работе это качество необходимо, чтобы понимать нюансы применения различных алгоритмов и моделей, вплоть до деталей реализации.

Конечно, для дата-сайентистов очень важны внимание к деталям и настойчивость. Но это не значит, что одно только упорство или талант к математике сделают из вас профессионала

Дата-сайентист — профессия для целеустремленных и увлекающихся. Для тех, кто не боится трудностей и не бросает дело на полпути. И если все перечисленное про вас, то почему вы до сих пор не с нами в команде?

Фото в материале: архив компании

Если я гуманитарий, то не могу стать аналитиком?

Академический бэкграунд для новичка не так важен. Инженеру-строителю аналитика больших данных будет даваться так же, как и филологу. Хорошо, если вы помните некоторые темы из базового курса по математике. Но если нет, ничего страшного: практика показывает, что разобраться в них могут и технари, и гуманитарии. При этом наличие другого, не связанного с математикой и программированием образования, иногда может быть на руку. Например, решать медицинские задачи биологам специализация поможет быстрее, чем человеку, который просто хорошо знает Python. Конечно, бэкграунд в математике и знание языка программирования могут упростить обучение. Но куда важнее способность и желание все время учиться новому и следить за тем, что происходит на переднем крае науки.

Как найти работу начинающему специалисту?

Преимущество IT-сферы в том, что здесь довольно высокие зарплаты даже у начинающих специалистов. Для большинства аналитиков данных карьерный путь можно предсказать заранее: спустя год-два после старта учебы можно устроиться на позицию джуниора с зарплатой 80–120 тысяч рублей, а дальше карьерно расти раз в пару лет. Мидл-специалисты в среднем зарабатывают 120–180 тысяч рублей, синьоры – 200–300 тысяч, а тимлиды – уже 300–500 тысяч рублей.

На курсе «Профессия Data Analyst» в SkillFactory вас не только научат работать с большими данными, но и помогут найти работу. Начиная с первых недель обучения ментор поможет определить карьерные цели и не сойти с намеченного пути, а карьерный центр подскажет, как оформить резюме и попасть на собеседования.

До 30 октября по промокоду SEO действует скидка -50 % на все курсы SkillFactory.

Аналитика – востребованный навык, который будет нужен в большинстве новых высокооплачиваемых профессий. Освоив его раньше других, вы получите явное конкурентное преимущество на рынке труда.

Три необходимых скилла аналитика

Работу аналитиков можно разделить на три части.

Первая касается данных и надёжности. Всегда нужно обогащать данные! Если вы анализируете кандидатов, то с помощью api можно посмотреть во ВКонтакте, какую музыку они любят. Пригодиться может что угодно. Если вы работаете с данными, и думаете, что нашли всё, просто знайте — нет, не всё.

Данных всегда больше, чем кажется. Дополнительные данные могут быть где-то рядом. Поэтому на курсах Skypro мы всегда учим искать больше и находить то, что нужно для решения задачи, а не работать с тем, что есть.

Вторая часть — метрики. Хорошие метрики — это чувствительные метрики. Если в продукте что-то поменяется, аналитик сразу должен увидеть это по изменениям показателей. Метрика должна быть чувствительной, а в идеальном варианте метрики должны ещё и выстраиваться в иерархию или слои пирамиды метрик.

Третья часть — это репортинг, то есть доставка метрик до конечного потребителя. Должна быть явная, понятная система алертов, система дашбордов. Чтобы любой человек мог зайти и понять, что с его продуктом происходит, чтобы данные приходили вовремя (не часто, а именно вовремя), чтобы они всегда были актуальными и легко-интерпретируемыми.

Чем занимается игровой аналитик

Придумать иерархию метрик — создать общую концепцию процесса аналитики

Нужно понимать, что отслеживать в первую очередь, буквально в режиме онлайн, а на что обращать внимание уже в сессии анализа. Понимать, какие метрики в зависимости от жанра игры и вида монетизации важны, а какие только отнимают время.
Контролировать целостность данных

Находить аномалии, разбираться, почему они появились. Понимать, когда небольшие погрешности происходят из-за особенностей инструментария, а когда нужно пересобирать процесс получения данных.
Участвовать в построении воронки событий в игре. Раскладывать все события на этапы, отслеживать, какие из них и как влияют на эмоции игрока, как это сказывается на монетизации проекта.
На основе данных создавать гипотезы — как изменить игровой процесс, экономику, баланс, механику игры, чтобы это затягивало игроков лучше, вызывало у них нужные эмоции и в итоге приносило больше денег.
Проверять эти гипотезы с помощью A/B-тестирования.
Формировать отчёты для геймдизайнеров, маркетологов, продюсеров, делать это визуально грамотно, структурировано и понятно.

Краткое описание

Big Data Analyst работает с большими данными, его клиенты в основном представители бизнеса, но не только – технологии «биг дата» во многих странах на государственном уровне используются в здравоохранении, медицине, фармации. Обработка, анализ и интерпретация данных позволяют взглянуть на привычные вещи по-другому, выявить новые процессы, феномены и т. д. В идеале аналитики больших данных должны разбираться в той сфере, в которой ведут деятельность, но на практике это далеко не всегда так.

Однозначного определения больших данных пока еще нет, но чаще всего под Big Data подразумевают наборы неструктурированных и разнородных данных, существенно превосходящие традиционные реляционные (структурированные) базы данных по объему. Сведения совершенно разного формата в общий массив поступают из разнообразных источников (датчики, приложения, камеры видеонаблюдения, социальные сети и т. д.) и постоянно пополняются в режиме реального времени. Сбором и обработкой нужной для определенных целей информации занимается аналитик больший данных.  

Важные личные качества

Big Data Analyst работает с огромными массивами информации, что накладывает отпечаток на его характер. Чтобы справляться с обязанностями, аналитику больших данных надо:

быть дисциплинированным, усидчивым, терпеливым и методичным;
уметь долго концентрировать внимание;
быть способным работать в режиме многозадачности;
обладать развитым техническим и аналитическим мышлением;
уметь работать в команде.

Кроме того, аналитик больших данных должен быть достаточно прагматичным, уверенным в своих силах, ведь от его умения делать выводы на основании полученной информации во многом зависит успех бизнеса и принятие стратегически важных решений. 

Новые профессии на основе аналитики данных

Дата-журналист

Теперь с помощью Tableau, Excel и Python представители медиа могут находить необычные закономерности и интересные инсайты в открытых данных.

Дата-журналист = Журналистика (умение писать журналистские тексты) + Программные инструменты (Python + Excel + Tableau) + Понимание актуальной повестки

Дата-маркетолог

Такие специалисты могут оценивать рынок и прогнозировать спрос на те или иные продукты на основании данных, а не собственных умозаключений.

Дата-маркетолог = Маркетинг + Программные инструменты (Python + R + SPSS + Power BI + Tableau + Qlik) + Понимание бизнеса

Продуктовые, игровые и количественные аналитики

Занимаются развитием продукта: формулируют цели и KPI, находят точки роста и тестируют продуктовые гипотезы, используя большие данные.

Продуктовые аналитики = Менеджмент + Программные инструменты + Понимание бизнеса

Основное преимущество работы с Big Data в любой специальности — это оптимизация процессов и сокращение времени на рутину. Грамотно составленные алгоритмы позволяют анализировать данные без человеческого вмешательства, доставляя более точный и релевантный результат для любой сферы бизнеса. При этом наличие у сотрудника экспертизы в конкретной области — маркетинге, игровой индустрии или фармацевтике — помогает формулировать более четкие технические задания и избегать искажения смыслов при интерпретации результатов.

Как строится работа SQL-аналитика над проектом

Стоит отметить, что работа SQL-аналитика начинается задолго до начала непосредственного анализа и состоит из нескольких этапов:

1) Выявление потребностей заказчика и его «боли», формализация и согласование требований.

Во многих компаниях, в том числе и у нас, клиент заполняет специальную анкету. Там описывается то, что бы он хотел проанализировать (процессы или операции), какие цели и задачи ставит. Этот этап всегда длительный и сложный. 

Во-первых, клиент не всегда сразу понимает, чего хочет на самом деле, а, во-вторых, его видение часто не совпадает с нашими возможностями. Мы, прежде всего, именно исследуем и анализируем, находим перспективы и возможности для совершенствования, предлагаем какие-то пути решения найденных проблем, но итоговое слово всегда за бизнес-заказчиком. 

2) Изучение и исследование регламентов бизнес-процессов компаний, юридические согласования.

Внедрение нового ПО или даже пилотный проект — всегда долгая история в больших компаниях. Много юридических моментов, согласований со службами безопасности и т.д. После этого мы начинаем изучать качество данных: определяем, насколько они полные, достоверные, точные и согласованные

Это очень важно, поскольку именно оценка качества данных и мероприятия по их повышению — важнейший этап любого проекта по аналитике, поскольку некачественные данные приводят к заведомо некорректному результату. 

Если мы понимаем, что для реконструкции процесса нам не хватает каких-либо данных, приходится обсуждать возможность добавления дополнительных источников.

3) Непосредственно аналитика.

Начинаем подробно и внимательно изучать все полученные массивы данных, чтобы правильно связать все данные из полученных источников (логи, агенты, регламенты, карты и т.д.).  Нам нужно найти необходимые процессы или их кусочки, чтобы корректно построить процесс. Это делается обычно тремя способами:

  1. При помощи автоматических алгоритмов, когда выявляются повторяющиеся цепочки событий.
  2. Полуавтоматически, когда вручную задаются начало и конец операции/процесса, а закономерности и связи ищет алгоритм.
  3. Вручную — для сложных и длинных процессов/операций, когда нужно «увязать» деятельность сотрудников из разных подразделений. Это тот случай, когда может потребоваться большое количество разных источников.

4) Подготовка итоговых презентаций для клиентов.

Четко и лаконично, исключительно на основе фактов и в доступной форме нужно рассказать о том, к чему пришли в результате анализа.

К чему должен быть готов специалист — описывать сложные вещи просто. Не все понимают специфические термины а-ля process mining, OLAP-кубы и другие. Полезную информацию нужно предоставлять в доступной форме и обязательно визуальным способом.

Как я стала аналитиком

Меня с детства интересовали математика и программирование, работа с данными, таблицами, поиск и анализ закономерностей. Работа аналитика включает все эти аспекты.

Я закончила НИУ ВШЭ по направлению, связанному с маркетингом. На факультете нам преподавали математику, статистику, прогнозирование, эконометрику, и эти предметы мне нравились больше всего. Кроме того, я занималась программированием на дополнительных курсах.

После окончания вуза я стала работать в PR, но вскоре поняла, что эта сфера деятельности мне не нравится. Мне было неинтересно, работала я через силу, заставляя себя приходить в офис. Поэтому я решила сменить направление. В вузе я узнала, как работает статистика, какие математические инструменты используются для анализа данных, познакомилась с языком программирования SQL. С этими навыками в резюме я решила посмотреть вакансии аналитика и вскоре нашла мою нынешнюю работу. Поначалу мне поручали и другие задачи, но постепенно аналитика стала моим основным занятием.

За три года я стала ведущим аналитиком— руководителем подразделения. В мои обязанности входит не только составление запросов в базы данных, но и распределение задач внутри моей команды, взаимодействие с заказчиками рекламных кампаний или аккаунт-менеджерами, которые ведут этого рекламодателя.

Саммари уровней аналитиков: от стажера до супер-звезд и супер-боссов

Используйте таблицу с осторожностью! В Яндексе понимание грейдов приходит в результате калибровок в процессе перформанс-ревью. Это процесс, когда тимлиды аналитиков отстаивают оценки своих подопечных, опираясь на их результаты за полгода

По опыту, нужно пройти как минимум пару ревью, чтобы понять требования настолько, чтобы уметь их транслировать – это часть культуры, она впитывается не мгновенно.

Таблица – это шпаргалка: она хорошо помогает, если вы знаете, о чем речь, и вводит в заблуждение, если это единственный источник информации. Поэтому таблицу стоит использовать только совместно с текстом ниже.

Далее мы будем рассматривать 2 ветви развития аналитиков – как специалиста, и как менеджера аналитиков.

Полную версию таблицы с уровнями аналитиков данных в формате pdf вы можете скачать тут.

How Lotame Can Help

At Lotame, we offer unstacked data solutions that enable you to collect, organize and activate data to help you reach your business goals. Plus, our team will be by your side every step of the way.

Lotame Analytics helps you to examine data to unlock valuable insights. Our Audience Analytics tool provides you with a 360-degree view of your audiences by analyzing data signals across user attributes and behaviors. These insights can help you to improve your targeting, campaign performance and content personalization.

Our Campaign Analytics tool, meanwhile, provides insights into the behaviors that make up campaign interactions and how those attributes impact the path to conversion. Whatever actions you’re tracking, Campaign Analytics can help you improve campaign targeting and find new audiences. These analytics tools help you understand your audience better and boost the performance of your campaigns.

Want to learn more about how we can help you turn your data into actionable insights you can use to improve your campaigns, personalize your content and reach your business goals? Fill out the form below and contact us today!
Find new customers, increase customer engagement, and grow revenue with first-, second-, and third-party data. Learn how Lotame Panorama can help you in today’s cookie-challenge web.

Data Analytics FAQ

What is the role of data analytics?

Data analytics helps individuals and organizations make sense of data. Data analysts typically analyze raw data for insights and trends. They use various tools and techniques to help organizations make decisions and succeed. 

What are the types of data analytics?

There are various types of data analysis including descriptive, diagnostic, prescriptive and predictive analytics. Each type is used for specific purposes depending on the question a data analyst is trying to answer. For example, a data analyst would use diagnostic analytics to figure out why something happened.

What are the analytical tools used in data analytics?

There are various tools used in data analysis. Some data analysts use business intelligence software, such as Tableau. Others may use programming languages such as SQL or Python, which have various statistical and visualization libraries.  

What is the career growth in data analytics?

According to O*NET, the projected growth for data analysts is 8% between 2019-2029. On average, data analysts earned $94,280 in 2019. However, salary compensation for data analysts varies depending on where they work and what industry they work in.

Last updated: February 2021

Профессиональные компетенции аналитика данных: что должен знать Data Analyst

Исходя из вышеописанных задач, можно определить следующие области знаний, необходимые для аналитика данных:

  • информационные технологии – методы и средства интеллектуального анализа данных (Data Mining) – языки программирования (R, Python и пр.) и SQL-подобные языки для написания запросов к нереляционным и реляционным базам данных, а также BI-системы, ETL-хранилища и витрины данных типа Tableau, Power BI, QlikView и т.д., а также основы инфраструктуры Apache Hadoop;
  • математика (статистика, теория вероятностей, дискретная математика);
  • системный анализ, управление качеством, проектный менеджмент и методы анализа бизнес-процессов (подходы бережливого производства, SWOT, ABC, PDCA, IDEF, EPC, BPMN, ССП и пр.).

Кроме того, весьма полезны будут прикладные знания и практический опыт, специфичные для предметной области, в которой работает Data Analyst. Например, основы бухучета пригодятся для аналитика данных в банке, а методы маркетинга помогут при анализе информации о потребностях клиентов или оценке новых рынков.


Области знаний для аналитика данных

Специфика Big Data добавляет к этим базовым компетенциям Data Analyst еще навыки работы с озерами данных (Data Lakes), понимание вопросов информационной безопасности и управления данными (Data Governance), а также владение типовыми сценариями цифровизации (цифровой трансформации) и применения технологий больших данных в различных предметных областях (use-cases). Все это и множество других практических знаний для аналитика данных мы рассматриваем на наших курсах обучения и повышения квалификации ИТ-специалистов в лицензированном учебном центре для руководителей, аналитиков, архитекторов, инженеров и исследователей Big Data в Москве:

  • BDAM: Аналитика больших данных для руководителей
  • DPREP: Подготовка данных для Data Mining
  • ARMG: Архитектура Модели Данных
  • DSAV: Анализ данных и визуализация в R

Смотреть расписание
Записаться на курс

В заключение

С тех пор, как я впервые формализовал и внедрил грейды в своей команде, я не представляю, как от них можно отказаться. Грейды так прочно засели в моём сознании менеджера, что теперь про все задачи, связанные с людьми, я думаю в терминах грейдов: найм, развитие, материальная мотивация, кому какую зону ответственности стоит доверить и т.д.

Если вы руководите аналитиками, надеюсь, фреймворк окажется вам полезен – и, спустя время, вы разделите мой энтузиазм =).

Для того, чтобы начать чувствовать систему грейдов «на кончиках пальцев» требуется много практики. Как руководителю вам нужно выставить грейд хотя бы паре десятков сотрудников, чтобы разобраться в нюансах и пограничных ситуациях.

Если вы аналитик, можете использовать этот материал как гайд по профессиональному и личностному росту. Пришлите эту статью вашему руководителю и предложите на следующей регулярной встрече обсудить, на какой ступени аналитики вы сейчас находитесь, над чем вам стоит поработать, чтобы перебраться на следующую. Заданная система координат позволяет вести подобные разговоры содержательно и ёмко.

Автор статьи – Женя Козлов. Женя 8 лет руководил аналитикой: 3,5 года строил функцию аналитики в Яндекс.Маркете, затем 4,5 года – в Яндекс.Такси. Подписывайтесь на телеграм-канал Жени “Секрет лапшичного супа”.