Меню Рубрики

Как можно заработать на анализе данных

О больших данных сегодня не слышал только человек, который не имеет никаких внешних связей с внешним миром. На Хабре тема аналитики Big Data и смежные тематики популярны. Но неспециалистам, которые хотели бы посвятить себя изучению Big Data, не всегда ясно, какие перспективы имеет эта сфера, где может применяться аналитика Big Data и на что может рассчитывать хороший аналитик. Давайте попробуем разобраться.

С каждым годом увеличивается объем генерируемой человеком информации. К 2020 году объем хранимых данных увеличится до 40-44 зеттабайт (1 ЗБ

1 миллиард ГБ). К 2025 году — до примерно 400 зеттабайт. Соответственно, управление структурированными и неструктурированными данными при помощи современных технологий — сфера, которая становится все более важной. Интересуются большими данными как отдельные компании, так и целые государства.

К слову, именно в процессе обсуждения информационного бума и способов обработки генерируемых человеком данных и возник термин Big Data. Считается, что впервые его предложил в 2008 году редактор журнала Nature — Клиффорд Линч.

С тех пор рынок Big Data ежегодно увеличивается на несколько десятков процентов. И эта тенденция, по мнению специалистов, будет держаться и дальше. Так, по оценкам компании Frost & Sullivan в 2021 году общий объем мирового рынка аналитики больших данных увеличится до показателя в $67,2 млрд. Ежегодный рост составит около 35,9 %.

Она позволяет выявлять крайне ценную информацию из структурированных или неструктурированных наборов данных. Благодаря этому бизнес, например, может определять тенденции, прогнозировать производственные показатели и оптимизировать собственные расходы. Понятно, что ради снижения расходов компании готовы внедрять самые новые решения.

Технологии и методы анализа, которые используются для анализа Big Data:

  • Data Mining;
  • краудсорсинг;
  • смешение и интеграция данных;
  • машинное обучение;
  • искусственные нейронные сети;
  • распознавание образов;
  • прогнозная аналитика;
  • имитационное моделирование;
  • пространственный анализ;
  • статистический анализ;
  • визуализация аналитических данных.

Сейчас аналитика больших данных используется в более чем 50 % компаний по всему миру. При том, что в 2015 году этот показатель составлял всего лишь 17 %. Big Data активнее всего используется компаниями, которые работают в сфере телекоммуникаций и финансовых услуг. Затем идут компании, которые специализируются на технологиях в здравоохранении. Минимальное использование аналитики Big Data в образовательных компаниях: в большинстве случаев представители этой сферы заявляли о намерении использовать технологии в ближайшем будущем.

В США аналитика Big Data используется наиболее активно: более 55 % компаний из самых разных сфер работают с этой технологией. В Европе и Азии востребованность аналитики больших данных ненамного ниже — около 53 %.

По мнению аналитиков IDC, Россия является крупнейшим региональным рынком решений по аналитике Big Data. Рост объемов рынка таких решений в Центральной и Восточной Европе достаточно активный, каждый год этот показатель увеличивается на 11%. К 2022 году он достигнет в количественном отношении $5,4 млрд.

Во многом такое бурное развитие рынка обуславливается ростом этой сферы в России. В 2018 году выручка от продажи соответствующих решений в РФ составила 40% от совокупного объема инвестиций в технологии обработки Big Data всего региона.

В РФ больше всего на обработку Big Data тратят компании со стороны банковского и государственного секторов, телекоммуникационной индустрии и промышленности.

Специалист по анализу больших данных отвечает за изучение огромных массивов информации, как частично структурированных, так и неструктурированных. У банковских организаций это транзакции, у операторов — звонки и трафик, в ритейле — посещения клиентов и покупки. Как и говорилось выше, анализ Big Data позволяет обнаружить связи между различными факторами «сырой информационной истории», например, производственного процесса или химической реакции. На основе данных анализа разрабатываются новые подходы и решения в самых разных сферах — от производства до медицины.

Навыки, необходимые аналитику Big Data:

  • Умение быстро разобраться в особенностях в той области, для которой проводится анализ, погрузиться в аспекты нужной сферы. Это может быть ритейл, нефтегазовая отрасль, медицина и т.п.
  • Знание методов статистического анализа данных, построения математических моделей (нейронные сети, байесовские сети, кластеризация, регрессионный, факторный, дисперсионный и корреляционный анализы и т.п.).
  • Уметь извлекать данные из разных источников, преобразовывать их для анализа, загружать в аналитическую базу данных.
  • Владение SQL.
  • Знание английского языка на уровне, достаточном для беспроблемного чтения технической документации.
  • Знание Python (хотя бы основ), Bash (без него очень сложно обойтись в процессе работы), плюс желательно знать основы Java и Scala (нужны для активного использования Spark, одного из самых популярных фреймворков для работы с большими данными).
  • Умение работать с Hadoop.

Специалисты по Big Data сейчас в дефиците, спрос превышает предложение. Все потому, что бизнес приходит к пониманию: для развития нужны новые технологии, а для развития технологий требуются специалисты.

Так вот, Data Scientist и Data Analyst в США вошли в топ-3 лучших профессий 2017 года по версии кадрового агентства Glassdoor. Средняя заработная плата этих специалистов в Америке начинается от $100 тысяч в год.

В России специалисты по машинному обучению получают от 130 до 300 тысяч рублей в месяц, аналитики больших данных — от 73 до 200 тысяч рублей в месяц. Все зависит от опыта и квалификации. Конечно, есть вакансии с меньшей зарплатой, есть — с большей. Максимальный спрос на аналитиков больших данных в Москве и Санкт-Петербурге. На Москву, что не удивительно, приходится около 50 % активных вакансий (по данным hh.ru). Гораздо меньший спрос — в Минске и Киеве. Стоит отметить, что некоторые вакансии предлагают гибкий график и удаленную работу. Но в целом, компаниям требуются специалисты, которые работают в офисе.

Со временем можно ожидать повышения спроса на аналитиков Big Data и представителей смежных специальностей. Как и говорилось выше, кадровый голод в сфере технологий никто не отменял. Но, конечно, для того, чтобы стать Big Data аналитиком необходимо учиться и работать, улучшая как те навыки, что указаны выше, так и дополнительные. Одна из возможностей начать путь Big Data аналитика — записаться на курс от Geekbrains и опробовать свои силы в сфере работы с большими данными.

источник

Ежедневно интернет-пользователи оставляют после себя десятки мегабайт различных сведений: историю посещений веб-ресурсов, комментарии, фотографии, лайки и многое другое. Может показаться, что это разрозненная информация, которая в общем смысле ничего не значит. Однако при анализе из таких, казалось бы, не связанных между собой данных можно получить очень ценный результат, вплоть до уровня инфляции в государстве. И уже есть люди, которые на Больших данных зарабатывают немалые деньги.

Это на практике доказала компания Premise, которая благодаря таким исследованиям позволяет узнать реальный рост цен в той или иной стране в реальном времени. В то время как традиционные подходы к сбору сведений об экономической ситуации в стране не могут предоставить первые результаты раньше, чем через несколько месяцев.

Большие данные (Big Data) — это способы обработки огромных массивов разрозненных данных, чтобы на выходе получить понятные человеку графики, выводы и прогнозы. Впервые этот термин появился в журнале Nature в 2008 году, где читатели обсуждали взрывной рост объемов обрабатываемых данных и вероятный переход «от количества к качеству». Источниками Больших данных является поступающая непрерывно информация от измерительных устройств, радиочастотных идентификаторов, потоки из социальных сетей, метеорологические данные, данные дистанционного зондирования Земли, потоки данных о местонахождении абонентов сетей сотовой связи, устройств аудио- и видеорегистрации.

Помидоры и овощи как индикатор экономики

Чтобы получать непрерывный поток информации о ценах на товары, Premise разработала мобильное приложение для смартфонов. Его уже загрузили 700 человек из 25 развивающихся стран. Это преимущественно студенты и домохозяйки, которые фотографируют еду и товары на рынках и в магазинах и пересылают снимки на серверы Premise. Аналитики компании обрабатывают полученную информацию и сопоставляют ее с другими имеющимися в их распоряжении данными. Это позволяет им в реальном времени отображать изменения уровня инфляции в стране. Именно такую информацию жаждут узнать трейдеры на Уолл Стрит, которые готовы платить за нее большие деньги.

Собранные Premise данные свидетельствуют о росте цен на лук на индийских рынках На своем сайте компания указывает, на каком именно рынке и почем продавался тот или иной лук, а также колебания цен на этот продукт в разных индийских городах

«Через пять лет я бы хотел, чтобы этим занимались от 3 до 4 тыс. человек, – говорит сооснователь Premise Девид Солофф. – Наша разработка – это полезный мониторинг глобальной инфляции, способ смотреть на пищевую обеспеченность или возможность производителю узнать, какие полки в магазине ему достаются».

Само по себе изображение продающихся на полке помидоров в Азии вряд ли натолкнет кого-то на какие-то важные выводы, кроме того, как эти овощи выглядят или ощущаются на вкус. Но если соединить массив таких фотографий продуктов, добавить к ним прогноз погоды в мире и общий график уровня осадков, тогда можно получить значимые данные для биржевых брокеров или перекупщиков в цепочке доставки товара от производителя к магазину. И чем быстрее можно получить подобные сведения, тем лучшие решения можно принять. Такие локальные Большие данные получили название Гиперданных.

«Гиперданные получают в определенном регионе, и их анализ можно использовать для принятия решений относительно этой области, – говорит научный сотрудник Центра предпринимательства и технологий в Университете Калифорнии. – Это скоро будет обычным делом, когда каждый предсказывает и действует практически мгновенно, наподобие того, как Amazon в один момент изменяет свои цены».

Аналитики сходятся во мнении, что Большие данные – это следующий шаг в статистической обработке информации. Например, полученный стандартными средствами прогноз о продажах мороженого сулит большие объемы следующим летом. Однако Большие данные позволяют видеть больше и прогнозировать точнее. Ведь этот подход учитывает другие факторы, на первый взгляд даже малозначащие. Это может быть температура воздуха и уровень облачного покрова сегодня, победа городской футбольной команды в важном матче и другие подобные сведения. Если их учитывать, тогда можно точнее сказать, сколько мороженого купят люди в разные дни.

Большие данные – большой потенциал

Подобный подход уже позволяет получать реальные результаты для целых государств. Специалисты Premise говорят, что им удалось засечь широкомасштабную инфляцию денег в Индии за несколько месяцев до того, как это удалось правительству. Для этого компания анализировала цены на лук на нескольких рынках страны при помощи фотографий от пользователей. Причем последним тоже выгодно делать снимки: за каждый они получали от 8 до 10 центов.

Кроме самих фотографий товаров и цен на них, Premise также собирала координаты места съемки и данные о том, насколько много людей в торговой точке. Полученные данные потом смешиваются с информацией от 30 тыс. веб-сайтов и позволяют компании построить национальный индекс инфляции, а также карту цен на таких крупных рынках, как Калькутта, Шанхай и Рио де Жанейро.

Эти сведения уже покупают много компаний, среди которых – хедж-фонды Уолл Стрит и Procter&Gamble. За такие данные подписчики готовы платить от $1500 до $15000 в месяц. Хотя школы и неприбыльные организации могут получать подобные сведения бесплатно.

Компания Procter&Gamble узнает, почем в США продается ее шампунь Head & Shoulders

Возможности Больших данных развивают и правительства многих стран. По сведениям аналитиков института McKinsey Global Institute, свыше 40 национальных правительств сделали публичной информацию по вопросам населения и использования земли. Власти одних лишь США предоставляют в открытом доступе свыше 90 тыс. различных наборов данных.

«Из анализа открытых правительственных данных можно получить около $3 триллионов прибыли, – говорит один из авторов отчета McKinsey Майкл Чу. – Иногда нужно помнить о качестве исходных данных, но оно того стоит».

Информацию от правительственных органов можно дополнить сведениями от сенсоров на смартфонах, реактивных двигателях и даже велосипедов – от всего, что сможет загрузить поток данных из реального мира в облачные вычислители. В этом помогают технологии, которые ускоряют доставку сведений от гаджетов и снижают общие затраты на увеличение количества различных сенсоров-поставщиков информации.

Например, лишь в одном авиадвигателе компании General Electric имеется свыше 200 сенсоров. Корпорация уже использует их показания для анализа технического состояния воздушного судна, как только оно приземлится. Еще 100 датчиков в турбине передают данные в реальном времени. Облачные серверы дополняют эти сведения информацией о потреблении топлива, прогнозе погоды и стоимости обслуживания для достижения максимальной эффективности при минимальной цене.

Потенциал Больших данных заметила также и IBM. Эта корпорация анонсировала коммерческую доступность своего программного обеспечения, которое умеет учиться и предсказывать поведение сложных систем. Это позволит улучшать их производительность во время их работы.

Большие данные в повседневной жизни

Скорость анализа и глубина выводов – вот главные преимущества Больших данных над традиционными способами анализа. Это позволяет пользоваться подобной информацией не только большим корпорациям, но и мелкому бизнесу.

Специалисты стартапа ClearStory Data понимают это и позволяют пользователям в реальном времени обрабатывать сведения из разных источников. Например, можно соединить уровень продаж билетов в кинотеатры с данными о погоде или даже сообщениями Twitter. Выводы можно увидеть в виде графика или карты – в зависимости от того, что хочет понять пользователь.

«Таким способом, – говорит сооснователь ClearStory Data Шармила Шанани-Муллиган, – кофейня может предсказать, что будут пить ее посетители: Red Bull или горячий шоколад».

источник

В Интернете еще много свободного места

Рядом с крупным животным всегда есть место более мелкому. Они друг другу не конкуренты, в поисках пищи они могут бок о бок прочесывать одну и ту же саванну, добывая каждый сам себе достаточное количество еды.

Точно так же рядом с супермаркетом может находиться небольшой магазинчик, имеющий свою клиентуру и свой доход.

Та же самая ситуация складывается в Интернете. Рядом с солидными сайтами, вещающими о макробизнесе, сосуществуют сайтики о микробизнесе, имеющие свою аудиторию и свой доход.

Аналитика на коленкахЯ сегодня расскажу об одном направлении заработка, которое в Рунете недостаточно развито (на мой взгляд) и которое вполне может освоить человек с аналитическим складом ума.

Безо всякого программирования и использования спецсредств. Просто наблюдая и анализируя открытую информацию, буквально на коленке.

После того как в Интернете возникли сайты-гиганты наподобие YouTube, Ebay, Etsy, фотобанки, магазины приложений и т.п., а вместе с ними и аналогичные сервисы по обработке информации (либо встроенные в эти сайты-гиганты, либо существующие как отдельные проекты), стало ясно, что не все пользователи способны анализировать доступную статистику (а не анализировать ее нельзя, иначе будешь продавать или раскручиваться вслепую и не всегда удачно).

Иначе не размещали бы россияне на etsy.com, к примеру, заведомо никому не нужные товары, или не создавали сайты, изначально обреченные на нулевую посещаемость.

В таком деле нужен знающий человек, способный ориентироваться в этом объеме информации и добывать из нее самое ценное.

Например, какие товары на etsy.com уходят влет даже у неопытных новичков из заокеанских стран; либо поисковые запросы, способные привести сотни посетителей на никому не известный сайт с нулевыми PR и CY.

Читайте также:  Как сдать анализ кала на яйца

902 продажи за 20 днейЗаплатить такому посреднику означает сократить свой путь к извлечению достойной прибыли. Например, сейчас наблюдаю за одной китаянкой, которая подсмотрела (а может, у кого-то уже купила нужную информацию?) на etsy нарастающийся спрос. Китаянка достаточно быстро сориентировалась, начала продавать аналогичный товар — и уже за неполные три недели заработала более 6000 долларов (902 продажи за 20 дней!).

Или, например, даже простое изучение открытой статистики посещаемости сайтов может дать массу ценной информации для сведущего человека. Например, какой поисковый запрос может дать несколько десятков посетителей каждый день даже начинающему сайту или какое видео (и где его искать) может моментально дать сайту 1000 новых посетителей.

Несведущие люди никогда эту информацию не найдут, но вполне смогут воспользоваться, если вложат в эти знания деньги.

Тем более, что в этой сфере важна не только информация, но и время ее получения. Ведь все вокруг меняется — спрос на товары, поисковые запросы. И как без проводника в этом разобраться?

Как монетизировать аналитическую информацию?

Можно просто продавать. Как, например, продает свои отчеты создатель сайта о микростоках — microstocktime.ru/product/ (он продает информацию о продажах самых успешных фотографов на Shutterstock).

Можно создать сайт или блог на тему исследований и монетизировать его через контекстную или прямую рекламу.

Либо вести рассылку, в которой порционно давать новую добытую информацию (деньги брать либо с подписчиков, либо с рекламодателей).

Можно создать и продавать учебный курс.

Можно проводить индивидуальные консультации.

Можно самому использовать добытую информацию.

Как ни крути, с такими умениями просто невозможно остаться без дохода.

Конечно, такие способности есть не у всех. Но на то и существует разделение труда: каждый занимается своим делом, приносящим именно ему доход. Один анализирует, другой пользуется чужой информацией. В итоге все при деньгах, все довольны.

источник

Аналитики данных собирают данные и анализируют их, чтобы выявлять тенденции и собирать информацию, которая может использоваться для принятия бизнес-решений. В эпоху информационных технологий компании больше, чем когда-либо, полагаются на большие данные, чтобы принимать решения, например, какие клиенты должны ориентироваться, какие продукты и услуги следует сосредоточить, какие рекламные методы использовать, сколько людей нанимают и на каких позициях и на новых рынках для расширения. Для практически любого бизнес-решения доступны данные для управления компанией в правильном направлении. Роль аналитика данных заключается в том, чтобы получить эти данные и сделать выводы, которые компания может использовать для принятия решений.

Аналитики данных пользуются спросом буквально везде. Это не относится к отрасли. Любая компания, которая достаточно разбирается в понимании важности анализа данных, нуждается в квалифицированных аналитиков данных. В то время как аналитики данных получают зарплату сверх среднего уровня, доходность инвестиций (ROI) для компаний, которые их используют, еще более впечатляет. Тенденции и информация, собранная аналитиками данных, часто делают их работодателями миллионы долларов в год.

Студенты и молодые специалисты, которые склонны к количественному, логическому, компьютерному подходу и хорошим коммуникаторам, и которые хотят получать доход выше среднего, работая в разумные часы, должны изучить анализ данных как выбор карьеры. Отраслевые аналитики назвали его одним из самых популярных вариантов карьеры в 2010 году, при этом прогнозы, указывающие на потребность в аналитиках данных, должны стремительно увеличиваться, поскольку все большее число компаний становится на борту с необходимостью использовать большие данные.

Возможно, самая важная функция работы аналитика данных — это получение как можно более релевантных данных для изучения конкретной области, требующей компании. Иногда эти данные легко доступны в Интернете, посредством переписи или государственной статистики или через отраслевые отчеты, публикуемые третьими лицами. В то же время аналитик данных, как часть своей работы, должен сам создавать данные, проводя опросы.

Например, рассмотрите операцию запуска, которая тестирует новую альтернативу кабельному телевидению, которая передает определенные каналы через высокоскоростной Интернет домашнего пользователя. Общей жалобой на кабель является то, что клиенты вынуждены в эти огромные пакеты с сотнями каналов, большинство из которых они никогда не наблюдают. Это равносильно оплате за питание из семи блюд и только питание двух курсов. Запуск уверен, что он может убедить людей переключиться на услугу a la carte; в конце концов, спрос на один был ощутимым в течение многих лет. Однако есть много информации, которую он не знает, например, какие каналы пользуются наибольшим спросом, сколько клиентов будет платить за канал, сколько каналов в среднем будет заказывать абонент и так далее.

Большая часть этой информации недоступна в расфасованных диаграммах и графиках. Аналитик данных должен проводить опросы потенциальных клиентов для получения необходимых ему данных. Как только этот процесс будет завершен, он сможет перейти к следующему этапу анализа данных и составлению выводов.

Все данные в мире делают компанию безрезультатной без людей в штате, которые могут анализировать тонкости этих данных и делать точные выводы, которые приводят к прибыльным бизнес-решениям. Это еще одна важная роль аналитика данных. Специалист по анализу данных может взять поток данных и определить соответствующие тенденции внутри.

Часто аналитик данных использует компьютерное программное обеспечение, чтобы помочь ему в этом процессе, таком как Microsoft Excel, SharePoint и MySQL. После определения тенденций аналитик данных может организовать соответствующие данные в диаграммах и графиках, которые поддерживают сделанные им выводы. Опять же, компьютеры часто помогают в этом процессе, подчеркивая важность того, чтобы аналитик данных обладал навыками работы на высоком уровне.

Техническим аспектом работы аналитика данных является получение данных, их исследование, выявление тенденций и извлечение информации, а затем вывод из выводов. На этом этапе наступает заключительный этап проекта: представление этих выводов и выводов лицам, принимающим решения. Хорошие навыки общения и презентации необходимы для выполнения этого компонента работы на высоком уровне. Руководители и лица, принимающие решения, часто не являются математическими зависаниями или компьютерными гениями, поэтому очень техническая информация часто должна быть переведена на непрофессионалы.

Идеальный аналитик данных обладает сильными навыками в математике, логике и распознавании образов. Он очень организован и может получать большие объемы данных, не становясь перегруженными. Поскольку компьютерное программное обеспечение помогает в значительной части процесса анализа, аналитик данных должен быть более чем компьютерным грамотным; ему нужны рабочие знания таких программ, как Microsoft Excel и MySQL.

Аналитики данных также нуждаются в хороших навыках общения и презентации. Лица, принимающие решения, используют выводы аналитиков данных для принятия важных решений. Однако для того, чтобы сделать это точно, они должны понимать последствия выводов. Аналитики данных несут ответственность за передачу этой информации в ясной форме, которую могут понять лица, принимающие решения.

Большинство аналитиков данных имеют, по крайней мере, степень бакалавра, а предпочтительные колледжские специальности — математика, статистика, финансы и информатика. Степень магистра делает любого кандидата более конкурентоспособным на рынке труда, но нет необходимости, чтобы он стал аналитиком данных. Для этой позиции компании предпочитают проверенные способности в областях, зависящих от образовательных ресурсов.

Средняя годовая зарплата для аналитика данных составляет $ 54, 070, по состоянию на 2013 год. Средний диапазон, то есть 25-й-75-й процентили, составляет примерно от 45 000 до 66 000 долларов США. Тот факт, что такой различные компании в различных отраслях промышленности используют аналитиков данных, что способствует широкому диапазону окладов.Размер компании, отрасли, географическое положение, образование кандидата, его опыт и другие факторы объединяются для определения первого года работы аналитика данных.

Бюро статистики труда США (BLS) объединяет аналитиков данных под заголовком аналитиков рынка исследований, поле для которых организация прогнозирует взрывной рост, по крайней мере, до 2022 года. BLS прогнозирует, что поле вырастет на треть для период, начинающийся в 2012 году и заканчивающийся в 2022 году, добавив 131, 500 рабочих мест за это время.

источник

В современных условиях информация стала накапливаться в геометрической прогрессии. Количество данных увеличивается примерно в 10 раз каждые 5 лет. Сегодня появились способы не только обрабатывать большие объемы данных, но и зарабатывать на них деньги.
Так, по итогам 2012г. рынок Big Data составил 7 млрд. долл., ожидается, что в 2013г. этот показатель вырастет на 40%.

О том, как можно использовать информацию с умом и заработать на этом в программе РБК-ТВ «Эпоха массивов данных» рассказали директор по технологической политике Microsoft в России Олег Сютин и директор по информационным технологиям компании Yota Михаил Соколов.

Олег Сютин, директор по технологической политике Microsoft в России. Существует несколько определений, каждое из которых использует такие понятия, как объем данных, их разнообразие и скорость их накопления. Мне нравится следующее: Big Data – это набор технологий, которые позволяют извлекать новые знания из данных огромного объема, которые разнообразны и накапливаются с большой скоростью. И здесь ключевым словом является «знания», поскольку именно оно обуславливает ценность этой технологии для всех, кто будет ее использовать.

Михаил Соколов, директор по информационным технологиям компании Yota. В качестве простого примера можно привести поисковые системы, которыми мы все уже давно пользуемся. Или сервис Яндекс.Пробки. Они требуют накопления и анализа быстро изменяющейся информации.

Олег Сютин. На мой взгляд, это один из примеров перехода количества в качество. Мы сегодня наблюдаем по всем тем трем параметрам, о которых я говорил, радикальное, взрывное изменение ситуации. Количество данных увеличивается примерно в 10 раз каждые 5 лет, но именно сегодня появилась возможность обработки этих данных и извлечения знания, прибыли, ценной и важной информации. Отсюда — повышенное внимание, которое уделяется сегодня этому термину и этим технологиям.

Александр Прохоров, менеджер по исследованиям IDC Россия. Мобильные телефоны с фотоаппаратами, социальные сети, датчики слежения, научные исследования – все это источники огромного количества информации, которая требует анализа, обработки и хранения. Чтобы анализировать рынок, IDC требуются конкретные параметры в определении Big Data: объем данных от 100 Тб, скорость — от 60 Гб/с.

В целом, объем накапливаемой информации будет расти по экспоненте. Если говорить о финансовом выражении, то уже в прошлом году рынок Big Data составил 7 млрд долл. и далее он будет расти в среднем на 40% в год.

Олег Сютин. Генетические исследования генерируют большой объем данных. Собственно, каждый геном или результат молекулярного анализа крови отдельного человека – это уже большой объем данных, причем он может меняться. При анализе и сравнении генетических данных мы встаем на путь персонифицированной медицины, когда, например, вы получаете индивидуальное лекарство, которое создано на основании анализа вашего генома, сделанного в процессе болезни. Это один из множества примеров того, как большие данные могут повлиять на жизнь каждого из нас.

Что касается бизнеса, то важно понимать, что Big Data открывает новые возможности не только для больших компаний. Возьмем для примера организацию, которая торгует электронными приставками и играми к ним. Есть информация о том, что человек купил приставку, организация владеет информацией о покупателе, его местонахождении в настоящий момент. Когда выходит новая игра, которая может заинтересовать этого покупателя, организация отправляет ему SMS-сообщение, которое он получает в тот момент, когда находится вблизи магазина. Эффективность такого рода рекламы значительно выше.

Михаил Соколов. То же самое – для банков. Например, оценка благонадежности заемщика. Если еще недавно банки использовали для этого демографические данные, кредитные истории, то теперь банки работают с соцсетями и другими источниками косвенной и неструктурированной информации, для анализа которой необходимо использование инструментов Big Data.

источник

Рассказываем, чем занимается аналитик и где на него учиться

Аналитик — специалист, который занимается обработкой данных и составлением на их основе прогнозов, стратегий, планов и рекомендаций клиентам.

Существует несколько профессий, в названии которых также есть слово «аналитик» — финансовые аналитики, программные аналитики, системные аналитики. Все они занимаются анализом той или иной информации, но не обязательно используют в своей деятельности математику, статистику и языки программирования. Их нужно отличать от отдельной профессии «аналитик данных».

Аналитик данных должен хорошо разбираться в математике, статистике, информатике, компьютерных науках, бизнесе и экономике.

Данные, которые обрабатывает аналитик, зависят от сферы деятельности, которой он занимается. Например, аналитик в области рекламы определяет целевую аудиторию для рекламных кампаний: составляет алгоритм, с помощью которого ищет в базах данных информацию о потенциальных клиентах, анализирует рекламные стратегии с точки зрения отклика, оценивает показатели эффективности кампаний.

Я работаю ведущим аналитиком в рекламном подразделении таргетированных смс-рассылок мобильного оператора. По соображениям конфиденциальности назвать компанию я не могу, она входит в так называемую «большую тройку». Моё подразделение занимается рассылкой рекламы абонентам, сегментируя их по опредёленным социально-демографическим, поведенческим и другим признакам. Аналитик занимается тем, что из всей абонентской базы выбирает абонентов, которые отвечают этим признакам, чтобы рекламодатель рассылал рекламу именно тем людям, которых она может заинтересовать.

Например, к нам приходит клиент, директор стоматологии, и заказывает рекламную кампанию. Аналитик и клиент вместе определяют набор признаков, по которым абоненты могли бы заинтересоваться этой конкретной стоматологией — проживание в определённом районе, обращение за стоматологическими услугами в недалёком прошлом и так далее. Составив список этих признаков, аналитик направляет запросы в базу данных, чтобы реклама была отправлена релевантным абонентам. Для формирования запросов используется специальный язык программирования SQL, предназначенный для работы с базами данных.

Такая реклама называется таргетированной, от английского слова target — цель. Основная задача аналитика — правильно определить эту цель. Чем точнее определён круг признаков и правильнее составлен запрос, тем успешней рекламная кампания.

По результатам кампании аналитики собирают и анализируют данные о её эффективности: смотрят, как много абонентов откликнулись на рекламу— , то есть позвонили по указанным телефонам, обратились в эту стоматологию;, и анализируют, от чего зависит эффективность рекламы, когда она срабатывает, а когда нет. Это похоже на настоящее научное исследование.

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.

Читайте также:  Как сдать анализ кала не получается

Профессию аналитика получают на направлениях, связанных с информатикой, математикой, программированием. Эти направления есть практически во всех ведущих вузах страны.

Список вузов от редакции:
МГУ им. М.В. Ломоносова — факультет вычислительной математики и кибернетики, направление «Прикладная математика и информатика».

СПБГУ — направления «Математика и компьютерные науки», «Математика, алгоритмы и анализ данных», «Прикладная математика и информатика», «Прикладная математика, фундаментальная информатика и программирование», «Программирование и информационные технологии», «Системный анализ и прикладные компьютерные технологии».

НИУ ВШЭ — направления «Экономика и статистика», «Бизнес-информатика», «Прикладная математика и информатика».

Национальный исследовательский университет МЭИ — Институт автоматики и вычислительной техники, направление «Прикладная математика и информатика».

Национальный исследовательский технологический университет МИСиС — факультет «Информатика и вычислительная техника».

Московский политехнический университет — факультет информационных технологий, направление «Прикладная информатика (большие и открытые данные)», «Прикладная математика и информатика», «Бизнес-информатика (IT-менеджмент)».

Московский технический университет связи и информатики (МТУСИ) — факультет экономики и управления (ФЭУ), направление «Прикладная информатика».

Финансовая академия при правительстве России — направления «Прикладная математика и информатика», «Бизнес-информатика», «Прикладная информатика».

Работа аналитика по большей части заключается в том, чтобы взаимодействовать с компьютером, а не с людьми. Аналитик, если он не руководитель подразделения, мало общается даже с коллегами, не говоря уже о клиентах. Он не проводит встреч, его рабочий день проходит у монитора за обработкой данных. Есть люди, которым обязательно нужно общение — им такая работа не подойдёт!

Важно, чтобы человеку нравилось оперировать статистическими данными, составлять графики и таблицы, видеть закономерности, структурировать информацию, выделять главное, отбрасывать второстепенное.

Аналитик — профессия не творческая. Каждый день аналитику приходится заниматься одним и тем же: сбором, анализом, оценкой данных. Эта работа очень похожа на главное увлечение моего детства — собирание пазлов. Мне доставляло удовольствие взять набор непонятных разрозненных деталей и часами собирать из них что-то целостное, разумное, имеющее смысл. Так же работают и аналитики.

Аналитик по большей части имеет дело с точными категориями: данными, цифрами, алгоритмами. Составляя запросы, нужно совершать как можно меньше ошибок и максимально точно подбирать аудиторию.

Аналитик должен учитывать все факторы, которые могут повлиять на результат анализа, не упустить ни одной важной детали, иначе на выходе он получит неверные данные и сделает ошибочные выводы.

Карьера. Внутри компании можно из простого аналитика стать тимлидом, руководителем подразделения и развиваться в направлении менеджмента — разрабатывать и курировать собственные продукты, придумывать стратегии их развития.

Можно совершенствовать навыки программирования, повышать свою квалификацию как аналитика данных, переходить в более крупные компании, на более востребованное и престижное направление, заниматься дата-моделированием, большими данными (big data), делать прогнозы и предсказания.

График работы. Аналитики в офисе работают по обычному графику с 9:00 до 18.00 или с 10:00 до 19:00. Иногда приходится задерживаться на работе, но это зависит от нагрузки конкретного аналитика.

Аналитик может работать и удалённо: консультировать заказчиков, которым необходим анализ данных, писать приложения. Всё, что ему для этого нужно — компьютер или ноутбук, выход в интернет и доступ к базам данных.

Зарплата. Зарплата аналитика зависит от его опыта и квалификации, от компании, в которой он работает. В начале карьерного пути я получала 45 тысяч рублей, сейчас зарабатываю больше.

Средняя зарплата аналитика в Москве — 70 тысяч рублей. Начинающий аналитик сразу после окончания вуза может получать от 25 тысяч рублей.

Современный бизнес во многом строится на анализе данных о клиентах, продажах, эффективности рекламных стратегий, поэтому профессия аналитика сейчас очень востребована и останется такой в ближайшие десятилетия. Перспективные направления: работа с большими данными, дата-моделирование, экономическое прогнозирование. Кроме того, умение работать с большим количеством информации (анализировать, структурировать её, делать выводы) востребовано не только в экономике и финансах, но в любой другой сфере деятельности.

Я считаю, что профессию надо выбирать по зову сердца, ориентируясь на то, что нравится делать. Какой бы перспективной ни была профессия, в ней невозможно достичь высот, если не получаешь от неё удовольствия.

Хотите получать новые статьи во «ВКонтакте»? Подпишитесь на рассылку полезных статей

источник

«Человек, который напрямую влияет на решения бизнеса»

Данные собирают все — от магазинов и ресторанов до компаний-монополистов и приложений с миллионной аудиторией. Аналитик данных помогает сделать так, чтобы собранная информация приносила пользу бизнесу. Мы выяснили, какие задачи вместе с экспертами решает такой специалист и почему ему нужно разбираться в бизнес-процессах не хуже владельца компании.

Аналитик данных (или дата-аналитик) — это специалист, который собирает, обрабатывает, изучает и интерпретирует данные. Его работа помогает принимать решения в бизнесе, управлении и науке. Обычно такие специалисты работают в компаниях, которые практикуют data-driven подход — ориентируются на данные и их анализ при принятии решений. Курс «Аналитик данных» Яндекс.Практикума рассчитан именно на это направление.

«Любой продукт, у которого есть аудитория, собирает данные. Аналитика есть в телекоме, банках, играх, консалтинге. Если сильно обобщить, то можно сказать так: там, где есть возможность сохранять данные о продукте и поведении пользователя, рано или поздно должен появиться аналитик», — говорит Анна Чувилина, автор и менеджер программы «Аналитик данных».

Аналитик данных — важный участник бизнеса, потому что обеспечивает уверенность в принятии решений. Создавать новый продукт очень дорого, а ошибка при внедрении новой функции может стоить компании репутации и прибыли. Дата-аналитики проводят А/B-тесты и строят модели, чтобы проверить, как пользователи или клиенты реагируют на нововведения, и оценить перспективы того или иного проекта. Это дешевле и снижает риски бизнеса. Чтобы делать свою работу хорошо, аналитик должен видеть бизнес-процессы. Поэтому важно, чтобы он мог влиять на процесс принятия решения, основываясь на результатах своих исследований. Иначе работа такого специалиста теряет ценность.

Хороший аналитик данных — не просто математик с навыками программиста. Он понимает бизнес-процессы и хорошо знает продукт. Такой специалист разбирается, на чем зарабатывает конкретный бизнес. В результате его работы компания может получать больше прибыли и делать своих пользователей счастливее. Сильный аналитик данных прежде чем взяться за работу всегда спрашивает руководителя о том, какую задачу хочет решить бизнес.

Кроме программных инструментов аналитику данных важно развивать — метапрофессиональные умения, которые помогают делать работу лучше. Это способность налаживать общение с коллегами и партнерами, умение решать проблемы и выходить из конфликтных ситуаций с наименьшими потерями, сильный эмоциональный интеллект. Такие навыки больше связаны с личностью человека, чем с его профессиональным уровнем. Но их тоже можно формировать и развивать.

«Важно не путать дата-саентиста и дата-аналитика. Первый — это программист, знающий определенный набор языков и алгоритмов. Он решает поставленную техническую задачу. А дата-аналитик ставит эту задачу и переводит результат на язык бизнеса. Для этого нужно развивать гибкие навыки: работа с требованиями, визуализация данных, переговоры. То есть понимать самому и уметь объяснить, что дает бизнесу ваша аналитика. Изучить программы недостаточно — нужно критически подходить к задаче», — говорит Алексей Колоколов, эксперт по BI и визуализации данных.

Для каждого бизнеса задачи будут свои, а порядок действий общий. Аналитик данных работает так:

  • собирает данные (формирует запрос сам или получает задачу от менеджеров);
  • знакомится с параметрами набора (какие типы данных собраны, как их можно отсортировать);
  • проводит предварительную обработку (очищает от ошибок и повторов, упорядочивает);
  • интерпретирует (анализирует, собственно решает задачу);
  • делает вывод;
  • визуализирует (так, чтобы на основе вывода можно было принять решение, подтвердить или опровергнуть гипотезу).

Типичные задачи, с которыми приходят к дата-аналитику:

  • Получить выгрузку данных для определенных целей
    Бухгалтерии нужен список сотрудников, у которых в семье пятеро детей, — специалист делает выгрузку из базы данных.
  • Ответить на вопрос бизнеса
    Сделать расчет определенной метрики: сколько сотрудников уволилось до конца испытательного срока в этом году и сколько в предыдущем. Если компания вводит новую систему адаптации, то изменения такой метрики покажут результат.
  • Провести А/B-тестирование
    Нужно выяснить, как пользователи реагируют на то, какого цвета кнопка, зеленого или красного. Аналитик тестирует два прототипа. Часть пользователей видят прототип с зеленой кнопкой, другие — с красной. Он смотрит, как реагировали пользователи, проверяет, было ли различие статистически значимо. В итоге — рекомендует решение, которое проверил в ходе теста: внедрить зеленую или красную кнопку.
  • Провести исследования
    Конкретного вопроса от бизнеса нет, но нужен ресерч: взять внешние или внутренние данные, исследовать, найти аномалии или инсайты, провести пиар-исследование.
  • Просчитать, какой вариант выгоднее
    Юнит-экономика: расчет РОИ, инвестиционного потенциала. Оценить окупаемость рекламной кампании или скорректировать бизнес-модель.
  • Выяснить, какой товар и в какое время больше покупают
    Взять группу товаров и посмотреть, есть ли сезонные всплески интереса, сравнить с другими группами.

Статистика позволяет сделать общие выводы по конкретному вопросу. А аналитика данных — исследовать тему со всех сторон, сравнить решения, найти аномалии или инсайты, сопоставить события по множеству параметров. Это открывает новые возможности для бизнеса.

Дата-аналитик может исследовать внутренние данные компании или обратиться к внешним источникам. Анализ открытых данных позволяет отслеживать важные социальные и культурные тренды.

«Дата-аналитик может глубже исследовать проблему. Например, в наших данных по ДТП в России есть доля водителей, которые нарушили правила ОСАГО. Зная эту долю и то, как она менялась в разные годы, мы можем делать выводы о социально-экономической ситуации в регионе — видим тенденцию, когда водители перестают покупать полисы, потому что у них нет денег.

Из того же датасета мы вытаскивали информацию про скрывшихся водителей. Оказалось, что в Омской области 20% водителей покидают место ДТП. Получив эту информацию, мы можем задавать дополнительные вопросы: почему так происходит, что это за социальные и культурные процессы», — рассказывает Сергей Устинов, аналитик данных и проджект-менеджер.

Стереотипы в сфере аналитики данных не работают — неважно, гуманитарное или техническое образование получил дата-аналитик.

«У меня нет технического образования, я учился на факультете госуправления. А Python изучал на курсе биоинформатики для биологов. На мой взгляд, этот язык больше всего подходит для старта, база навыков работы с ним приобретается за два-три месяца. Затем стоит изучать профильные библиотеки для сбора и анализа данных. Чем больше ты знаешь библиотек, тем более качественная аналитика тебе доступна», — говорит Сергей Устинов.

Компании не рассчитывают, что начинающий аналитик данных будет уметь сразу всё. Они готовы обучать и направлять молодого специалиста. Главное — интерес к решению бизнес-задач. Правильно сформулированный перед исследованием вопрос важнее, чем большой опыт работы с программными инструментами.

«Программирование и математику можно выучить. А софтскиллы — нарабатываются опытом и практикой. Поэтому дата-аналитику полезны хакатоны и чемпионаты с решением практических задач. Он увереннее чувствует себя, прокачивая стиль мышления, ориентированный на решение конкретных бизнес-задач», — говорит Анна Чувилина.

Начинающих специалистов в сфере ИТ охотнее всего берут на позиции, связанные с анализом данных: доля вакансий для кандидатов с опытом работы меньше года здесь на четверть выше, чем в целом по рынку.

Работодатели ждут, что начинающий специалист:

  • знает хотя бы один язык программирования: Python или R;
  • умеет писать запросы к базам данных SQL;
  • может показать выводы и метрики в виде понятного дашборда (Tableau, Power BI, Amplitude);
  • хочет разбираться в бизнес-процессах, мыслит в терминах бизнес-задач.

Аналитику данных нужно понимать, что такое статистика и гипотеза. Серьезная математика не пригодится, главное ориентироваться в понятиях. В зависимости от запроса компании могут понадобиться навыки работы с Яндекс.Метрикой или Google Analytics. Опытные программисты с сильной математикой, которые не готовы думать в терминах задач бизнеса, закрывают себе путь в профессию аналитика данных.

«Джуниор вырастает в крутого специалиста, решая реальные кейсы. Потому что насмотренность определяет твой уровень: важно, сколько раз жизнь ставила тебя в ситуацию, когда нужно принимать решение. Развиваться в том, как владеешь инструментами, тоже важно. Но и решение реальных задач помогает аналитику данных расти», — говорит Анна Чувилина.

источник

Аналитик данных: чем занимается специалист, где можно научиться и как зарабатывать на этом от 100 000 рублей в месяц

Данные собирают и компании-монополисты, и мелкий бизнес. Аналитик данных помогает трансформировать собранную информацию в прибыль. Это человек, который влияет на решения бизнеса напрямую.

Data Analyst — универсальный сотрудник, который обладает знаниями в статистике, информатике, математике, бизнесе и экономике. Аналитик занимается анализом и интерпретацией данных. Характер данных зависит от сферы деятельности, в которой работает специалист.

Основная задача data-аналитика состоит в том, чтобы извлечь из данных смысл: структурировать их, сформулировать и проверить гипотезы, найти закономерности и сделать конкретные выводы. Это помогает принимать удачные решения в управлении.

В обязанности аналитика Big Data входит сбор, анализ информации и разработка эффективных решений для бизнеса. На каждом этапе задачи различаются:

  1. Сбор: планирование процесса сбора информации для дальнейшей оперативной обработки, обеспечение полноты данных из разных источников, выработка решений по оптимизации текущих процессов.
  2. Анализ: прогнозирование потребительского поведения, сегментация ЦА, оценка эффективности операционной деятельности и внутренних процессов, анализ рисков.
  3. Разработка бизнес-решений: составление периодических отчетов, заключение выводов, презентация результатов руководству.

Хороший аналитик данных понимает процессы в своей сфере, знает товар или услугу и основные источники дохода конкретного бизнеса.

Работодатели ожидают, что начинающий специалист по анализу данных:

  • может работать хотя бы с одним языком программирования (R, Python);
  • умеет делать запросы к БД;
  • имеет желание разобраться в бизнес-процессах;
  • может представить выводы и метрики в понятной форме.

Аналитик квалификации middle и выше должен основательно разбираться в отрасли, в которой работает, владеть статистическими инструментами (Tableau, SPSS, MATLAB, R, SAS Data Miner), знать методы анализа данных и построения математических моделей (кластеризация, нейронные сети, регрессионный, корреляционный, факторный и др.).

Предприниматель в области big data, генеральный директор образовательного портала SuperDataScience и автор книги “Работа с данными в любой сфере” Кирилл Еременко говорит, что аналитикам не нужно знать все тонкости каждой части ПО и каждого алгоритма, чтобы разбираться в своей отрасли. Есть большое количество программ, а алгоритмы варьируют от простейших, классифицирующих данные, до сложных, использующихся в ИИ.

Основными требованиями являются свободное владение SQL, знание скриптовых языков (Perl/Python/Ruby), методики ETL (извлечение данных из разных источников, преобразование и загрузка в БД), умение работать в Google big table, Hadoop и навык машинного обучения. Важно умение доходчиво ставить специалистам задачи и знание английского на уровне технической документации.

SQL (язык структурированных запросов) позволяет автоматизировать работу и использовать предыдущие наработки для оптимизации процессов. При анализе SQL используется для объединения массивов данных, простых математических и статистических методов. Это мощный инструмент, который нельзя заменить Excel. Аналитики чаще всего применяют SQL в связке с Python.

Специализированные онлайн-курсы дают возможность войти в отраслевое сообщество (школы интернет-профессий обычно культивируют комьюнити и развивают нетворкинг), приобрести практические навыки, работая над реальным проектом, перенять опыт ведущих экспертов и получить поддержку менторов. Авторитетные онлайн-школы обычно сотрудничают с крупными компаниями, а контакты выпускников попадают в базу, которой пользуются HR-менеджеры партнеров.

Кирилл Еременко, автор книги “Работа с данными в любой сфере”, считает, что в самом начале пути достаточно выяснить, в какой сфере сосредоточены интересы: визуализация или машинное обучение, чтобы начать углубляться в конкретную нишу, а не пытаться охватить все направление с нуля. Но специализация — это не про data-аналитиков. Такие специалисты должны быть динамичными и не ограничивать свои возможности только одним направлением.

Преподаватель курсов одного из университетов digital-профессий, брендолог агентства PINKMAN и основатель агентства SENSESAY Артем Кашехлебов рассказал, как отличить хороший курс от посредственного и какие бывают программы. Рынок предлагает множество вариантов обучения:

  1. Очные и смешанные программы. Занятия обычно семинарского характера, слушатель обменивается мнениями со спикером и коллегами.
  2. Онлайн-интенсивы. Курсы транслируют опыт профи в формате вебинаров, текстовых или видеолекций.
  3. Самостоятельное обучение. Многому можно научиться не из книг, информация в которых устаревает раньше, чем издание выходит из печати, а на тематических площадках.
Читайте также:  Как сдать анализ кала обогащенным методом

Эксперт рекомендует обращать внимание на преподавателя. Если более трети спикеров составляют преподаватели старшего поколения, обучение будет теоретическим, на выходе слушатель не получит практическую базу. Но еще хуже, если курс ведут яркие звезды сообщества стартаперов или сферы digital. Такое обучение дает заряд предпринимательской энергии, но если нужны практические знания, то лучше идти учиться к узкоориентированному специалисту.

Для старта в карьере желательно техническое образование. Но хороший специалист по Big Data может и не иметь профильного образования — это подтверждает опыт проджект-менеджера и аналитика Сергея Устинова. Он рассказывает, что учился на факультете госуправления, язык программирования Python изучал на биоинформатике для биологов, библиотеки для сбора и анализа данных учил самостоятельно.

Обучение специалиста по анализу данных от нуля до позиции junior длится около полугода. Стоимость курса составляет 50-80 тыс. руб. (как правило, есть возможность платить в рассрочку). Лучше выбирать онлайн-школы, которые предлагают студентам трудоустройство (или хотя бы стажировку) при успешной сдаче итогового экзамена и защите дипломного проекта — это позволит сразу же стартовать в профессии.

SkillFactory обучает специалистов для крупных компаний (Яндекс, РЖД, Сбербанк). Курс отличается охватом тем и масштабностью подготовки: на выходе специалист может добавить в портфолио 3 реализованных проекта и почти 50 решенных бизнес-задач.

Изучить методы анализа, SQL и Python можно самостоятельно, но у такого метода обучения немало минусов:

  • нет возможности пообщаться с профессионалами, услышать экспертное мнение по интересующему вопросу;
  • отсутствует нетворкинг (на курсах слушатель получает не только знания, но и базу полезных контактов);
  • материал изучается несистематически, без логических переходов от простого к сложному;
  • практически нет возможностей для практики на реальных проектах;
  • могут возникнуть сложности с трудоустройством.

При этом курсы — не панацея. Нужно правильно скомбинировать набор материалов, литературы, интенсивов и курсов, которые позволят специалисту совершенствоваться.

Вакансии можно искать через HR-агрегаторы и сайты поиска работы (Superjob, HeadHunter, Indeed), биржи фриланса, тематические группы в соцсетях, форумы. Удаленной работы для аналитиков данных немного — таких специалистов работодатели предпочитают нанимать в штат. Но иногда на биржах для фрилансеров встречаются проектные заказы — нужно помочь бизнесу решить определенную проблему, проконсультировать.

Согласно статистике исследовательского центра HR-портала Superjob, аналитик в среднем получает 120 тыс. руб. в Москве, 98 тыс. руб. — в Санкт-Петербурге, 64-82 тыс. руб. — в крупных городах. Зарплатные ожидания для специалистов без опыта: от 70 тыс. руб. в Москве, от 64 тыс. руб. — в Санкт-Петербурге.

HeadHunter проанализировал вакансии аналитиков и составил топ самых высокооплачиваемых предложений по специальности. Так, работодатели готовы платить хорошему специалисту 150-200 тыс. руб. В требованиях значатся высшее образование, опыт работы 3-6 лет (желательно в IT-проектах банковской сферы), хорошее знание SQL.

Современный бизнес во многих аспектах строится на анализе данных, поэтому должность Data Analyst очень востребована и останется такой в ближайшие несколько лет. Перспективные смежные направления: дата-моделирование, экономические прогнозы, работа с Big Data.

источник

С каждым днем в мире появляется все больше и больше данных. Независимо от того, являетесь ли вы владельцем небольшой компании или генеральным директором огромного предприятия – аналитики данных необходимы для успеха любого типа бизнеса. Вот почему многие люди мечтаю стать аналитиком данных и получать хорошую зарплату. Насколько она хороша, мы узнаем это из этой статьи, посвященной том, сколько зарабатывает аналитик данных.

Следует понимать, что не все так однозначно и мы не сможем вывести сразу эту цифру. Существуют различные аналитики данных – вот почему нам нужно, прежде всего, определиться, что мы понимаем под этой профессией, а затем кратко рассмотреть типы аналитиков данных, которые существуют. После того, как все это сделаем, мы мы раскроем зарплату каждой из групп.

Так что, без лишних слов, давайте приступим к этому.

Чтобы все изначально было понятно, давайте сначала поговорим о том, кто на самом деле является аналитиком данных.

Аналитик данных – это человек, который обрабатывает огромное количество информации, представленной в цифрах, и «переводит» ее на простой, понятный язык. Аналитики данных являются важными членами любой компании, которая хочет расти и расширять свой бизнес. Зачем? Это довольно просто объясняется.

Представьте, что у вас есть небольшая компания по производству одежды. Вы выпустили 10 разных дизайнов футболок. Проходит месяц, вы открываете свой лист продаж и видите огромное количество разных цифр, ярлыков, сокращений и так далее. Можно подумать, что достаточно посмотреть на количество фактических продаж (я имею в виду, что это очевидно, какая футболка больше продается, а какая меньше и в этом весь анализ?). На самом деле, все не так просто. Есть цифры, которые отражают продажи по регионам, полу, возрасту, интересам и т. д. Кроме того, если вы разместили 5 разных объявлений для футболок, у каждого свои метрики, которые надо оценить – какие объявления работали лучше (был лучше рейтинг кликов)? Какое уступает другим? Почему? Были ли влияние самой рекламы? Или платформа, на которой он был размещен?

Как вы сами видите, существует огромный объем информации, которую нужно проанализировать и понять. Именно здесь нужен аналитик данных – эти люди берут все эти цифры, анализируют и сегментируют их, а затем представляют и объясняют найденную информацию руководству и остальной части команды. Благодаря этому компания может скорректировать свою тактику и начать работать более эффективно, а также предоставлять своим клиентам более качественные продукты.

Теперь, когда вы знаете, что делает аналитик баз данных, давайте обсудим три основные группы аналитиков данных. В конце концов, мы не можем начать говорить о зарплате аналитика данных, пока не узнаем все возможные варианты этой профессии, не так ли?

Начинающий аналитик данных – это человек, который только недавно приступил к анализу данных в целом. Этот человек может учиться на втором или третьем курсе университета, но у него нет практики в этой области.

Начинающий аналитик баз данных обычно рассматривается как человек, который еще не знает, посвятит ли этой профессии себя. Это отражается как на зарплате, так и на рабочей нагрузке – их обычно либо берут в компанию для практики, либо для выполнения очень простых задач начального уровня.

Это группа аналитиков данных, с которой вы можете столкнуться чаще всего. Это также самая сложная группа для анализа.

Младшие аналитики данных – это люди, которые, как правило, уже решили, что для них это карьерный путь. Теперь все, что осталось сделать, это получить много опыта в этой области. Этих аналитиков обычно любят и нанимают начинающие компании – таким образом, как младший аналитик данных, так и компания могут учиться и расти вместе.

Что касается сложности анализа данной группы аналитиков данных, я не шучу. Почему же так? Это в основном потому, что это самая многочисленная группа. Нет определенных правил, которые бы показывали, когда аналитик данных начального уровня становится младшим или когда младший становится старшим. При этом большинство людей, которые серьезно относятся к тому, чтобы стать аналитиком данных, довольно быстро переходят от начального уровня к младшему. Это в свою очередь увеличивает численность группы младших аналитиков данных – в свою очередь, зарплата младшего аналитика данных сильно варьируется. Другими словами, младший аналитик данных, который работал в этой области в течение пяти лет, вероятно, будет иметь гораздо более низкую зарплату, чем тот, кто анализировал данные в течение пятнадцати лет.

Наконец, последняя группа аналитиков данных.

Старшие аналитики данных – ветераны отрасли. Именно эти люди стоят за успехом огромных глобальных отраслей и корпораций.

Старшие аналитики данных обычно отвечают за множество различных задач в компании. В дополнение к своей основной работе они могут быть наставниками для младших или даже начинающих аналитиков данных. Кроме того, старшие аналитики данных могут даже взять на себя некоторую внештатную работу на стороне – их навыки и многолетний опыт являются лучшей гарантией для любого работодателя.

Зарплата старшего аналитика данных отражает их навыки и знания, но мы перейдем к этому чуть позже. Но мы начнем с того, что разберем зарплату начинающего аналитика данных.

Помните – цифры, приведенные ниже, постоянно изменяются. Не принимайте все за чистую монету!

Итак, начнем с самого начала. Как я уже упоминал ранее, начинающие аналитики данных зарабатывают наименьшее количество денег из трех групп специалистов. Но о какой сумме мы говорим здесь?

По данным сайта Glassdoor.com, средняя годовая зарплата начинающих аналитиков данных составляет около 34 500 долларов США. Это означает, что аналитик баз данных такого типа может зарабатывать около 2875 долларов США в месяц.

Как видите, это значительно ниже среднего дохода в США, который составляет около 3700 долларов США в месяц. Однако, учитывая все, это все еще довольно высокая зарплата!

Вы должны помнить о задачах, которые выполняют начинающие аналитики данных, а, скорее, об их сложности. Если учесть тот факт, что этим людям обычно поручают небольшие, очень простые и полностью основанные на обучении задания, эта зарплата выглядит не так уж плохо.

Каждый раз, когда мы говорим о зарплате младшего аналитика данных, следует помнить, – это самая многочисленная группа специалистов, о которой мы говорим. Это число даст вам общее представление о том, чего ожидать, но в зависимости от рынка труда это число может варьироваться от нижней границе к верхней.

Зарплата младшего аналитика данных составляет почти 70 000 долларов США в год, или 5833 долларов США в месяц. О чем нам говорит эта цифра?

Прежде всего, это очевидно, что эта сумма значительно превышает среднюю зарплату в США. Что это значит? Это означает, что существуют более опытные младшие аналитики данных, чем начинающие. Тот факт, что зарплата младшего аналитика данных выше среднего, заставляет думать, что компании, вероятно, не платят начинающим огромные суммы денег. Что само по себе неплохо! Широко известно, что анализ данных является отличной отраслью для работы, и не только из-за зарплаты. Я расскажу об этом чуть позже, но сейчас я хочу упомянуть карьерные возможности. В этой области их много, и всегда есть место для роста. Конечно, это сильно зависит от компании, в которой вы работаете, но в целом это везде по рынку так. Короче говоря – если вы приложите усилия, ваша зарплата будет расти.

Итак, мы дошли до последней группы аналитиков данных. Зарплата старшего аналитика данных – это то, что большинство людей упоминают, когда говорят о том, насколько велика зарплата в области анализа данных. Но так ли все хорошо? Или это завышенная оценка? Разберемся.

Glassdoor показывает, что зарплата старшего аналитика данных составляет чуть менее 107 000 долларов США в год или 8916 долларов США в месяц. Видя это число, можно с уверенностью сказать, что все предположения действительно верны.

Однако, учитывая все сказанное, вы должны принять во внимание несколько ключевых переменных. Прежде всего, речь идет о зарплате старшего аналитика данных – эти люди были в отрасли большую часть своей жизни! Они посвятили себя этой профессии, поэтому вполне естественно, что их зарплата отражает это.

Кроме того, как я уже упоминал ранее, зарплата старшего аналитика данных также сильно зависит от рабочей нагрузки и обязанностей. Будь то кураторство небольшой команды или поручение работать с секретной информацией – старшие аналитики данных обычно несут большую ответственность.

Я намекал на это чуть раньше, но люди часто не принимают во внимание различные льготы и гарантии, которые аналитики данных имеют в своей работе, кроме высокой зарплаты.

Анализ данных действительно важен как для малых, так и для крупных компаний. Это означает, что после того, как вы закончите получение образования, к вам, вероятно, будут обращаться различные компании и организации, предлагающие вам возможность работать на них. В этом смысле конкуренция всегда хороша – у вас есть более широкий выбор возможностей, и вы можете ожидать более высокую оплату.

В дополнение к этому, как только вы начинаете работать аналитиком данных, вам почти гарантируется (при условии, что вы усердно работаете, являетесь активным членом команды и не останавливаетесь в развитии) стабильный жизненный путь впереди вас. Существует очень мало шансов, что область анализа данных когда-либо исчезнет, ​​и всегда есть возможности развиваться – вы можете постоянно совершенствовать свои навыки и расти, как профессионал и как человек. Будьте уверены – ваша зарплата последует за вами.

С каждым годом становится все труднее останавливаться на одной профессии. С таким огромным количеством специальностей и профессий на выбор может возникнуть путаница – какой путь карьеры лучший? Чему учиться, чтобы иметь гарантированную большую зарплату? Эти и многие подобные вопросы преследуют тысячи молодых людей каждый год. Некоторые люди выбирают карьерный путь и придерживаются его, взять паузу между старшей школой и университетом. Вы должны всегда выбирать то, что хорошо для вас. Однако, в любом случае, чтение статей и онлайн-обзоров всегда полезно.

Несмотря на то, что анализ данных – это не та область, в которой вы заработаете миллионы долларов, однако эта специальность медленно, но верно пробивается на вершину списка карьерных возможностей. Это стабильный, значимый и проверенный временем способ обеспечить себе большую будущую карьеру. Несмотря на то, что зарплата аналитика данных начального уровня может не такая большая, это все же хорошее начало. Если вы сосредоточитесь на обучении и совершенствовании своих навыков, вы даже не заметите, как быстро продвинется ваша карьера (тем самым увеличится ваша зарплата!).

Это конец статьи о том, сколько зарабатывают аналитики данных. Я надеюсь, что эта статья ответила на все ваши вопросы, и теперь вы лучше владеете этой темой. Если вы решите начать карьеру аналитика данных, я желаю вам удачи!

источник