Мифы работы аналитиком данных
Наткнулся на тред в соседнем канале: человек, будучи лидом системной аналитики думает над переходом в продуктовую аналитику на джун/мидл позицию.
Я задумался: профессию аналитика данных очень романтизируют. Это формирует неверные ожидания.
В этом посте попытаюсь показать то, как в реальности устроена работа аналитика данных, чтобы вам не пришлось разбивать розовые очки.
Миф 1. Аналитик занимается интересными задачами
В реальности большую часть времени занимают чистка данных, починка дашбордов и ответы на вопросы вида «а почему цифра в отчёте не сходится с цифрой в таблице».
Красивые инсайты и ML-модели - это малая часть работы, о которых пишут в резюме. Но часто они приносят 80% результата 😏
Миф 2. Аналитик принимает решения
Нет. Аналитик готовит данные для тех, кто принимает решения.
Ты можешь сделать идеальный анализ, который уйдёт в стол, потому что продакт уже всё решил интуитивно.
Нужно быть готовым отстаивать свою позицию или принимать эти условия.
Миф 3. Нужно уметь писать сложный код 🤯
SQL закрывает 80% задач в большинстве компаний.
Python нужен, но чаще для автоматизации рутины (Парсинг данных, работа с API и тд), а не для построения нейросетей.
Если тебе говорят обратное на собесе - уточни, что конкретно ты будешь делать в первые три месяца на работе.
Но это не значит, что другие инструменты не нужны.
Миф 4. Данные всегда есть и они корректны
Данных либо нет, либо они кривые, либо никто не знает, что именно логируется и зачем. 🙁
Значительная часть работы аналитика - разобраться в том, можно ли вообще доверять тому, что лежит в базе.
Как говорится:
Миф 5. Правильный инструмент решает всё:
Многие могут думать:
Нет. Инструмент - это 10% успеха.
Остальные 90% - это правильные процессы, корректная архитектура данных и люди, которые хотят и умеют смотреть на метрики.
Можно иметь лучший дашборд в мире, но если его никто не смотрит - это просто красивая трата денег.
Миф 6. В аналитике меньше корпоративной политики
™️™️™️™️™️
Неправда.
Данные - это мощный инструмент, и люди могу использовать их политически: подбирают метрики, чтобы доказать свою точку зрения, спорят о том, как считать KPI, требуют пересчётов, если результат не нравится.
Аналитик часто оказывается в центре конфликтов. Нужно быть дипломатичным и не очень эмоциональным.
И чем выше твой грейд, тем чаще ты в этом участвуешь.
А как у вас?
Напишите в комментариях, в каком из пунктов вы узнали себя.
Если что-то упустил - тоже пишите🍕
Наткнулся на тред в соседнем канале: человек, будучи лидом системной аналитики думает над переходом в продуктовую аналитику на джун/мидл позицию.
Я задумался: профессию аналитика данных очень романтизируют. Это формирует неверные ожидания.
В этом посте попытаюсь показать то, как в реальности устроена работа аналитика данных, чтобы вам не пришлось разбивать розовые очки.
Миф 1. Аналитик занимается интересными задачами
В реальности большую часть времени занимают чистка данных, починка дашбордов и ответы на вопросы вида «а почему цифра в отчёте не сходится с цифрой в таблице».
Красивые инсайты и ML-модели - это малая часть работы, о которых пишут в резюме. Но часто они приносят 80% результата 😏
Миф 2. Аналитик принимает решения
Нет. Аналитик готовит данные для тех, кто принимает решения.
Ты можешь сделать идеальный анализ, который уйдёт в стол, потому что продакт уже всё решил интуитивно.
Нужно быть готовым отстаивать свою позицию или принимать эти условия.
Миф 3. Нужно уметь писать сложный код 🤯
SQL закрывает 80% задач в большинстве компаний.
Python нужен, но чаще для автоматизации рутины (Парсинг данных, работа с API и тд), а не для построения нейросетей.
Если тебе говорят обратное на собесе - уточни, что конкретно ты будешь делать в первые три месяца на работе.
Но это не значит, что другие инструменты не нужны.
Миф 4. Данные всегда есть и они корректны
Данных либо нет, либо они кривые, либо никто не знает, что именно логируется и зачем. 🙁
Значительная часть работы аналитика - разобраться в том, можно ли вообще доверять тому, что лежит в базе.
Как говорится:
7 раз отмерь - один раз отрежь
Миф 5. Правильный инструмент решает всё:
Многие могут думать:
вот если бы у нас был Tableau/Looker/Amplitude, всё было бы по-другому
Нет. Инструмент - это 10% успеха.
Остальные 90% - это правильные процессы, корректная архитектура данных и люди, которые хотят и умеют смотреть на метрики.
Можно иметь лучший дашборд в мире, но если его никто не смотрит - это просто красивая трата денег.
Миф 6. В аналитике меньше корпоративной политики
™️™️™️™️™️
Неправда.
Данные - это мощный инструмент, и люди могу использовать их политически: подбирают метрики, чтобы доказать свою точку зрения, спорят о том, как считать KPI, требуют пересчётов, если результат не нравится.
Аналитик часто оказывается в центре конфликтов. Нужно быть дипломатичным и не очень эмоциональным.
И чем выше твой грейд, тем чаще ты в этом участвуешь.
А как у вас?
Напишите в комментариях, в каком из пунктов вы узнали себя.
Если что-то упустил - тоже пишите🍕