С какими данными работает аналитик
Приветствую, любители аналитики!
Сегодня поговорим о том, с какими данными и из каких источников приходится работать дата-аналитику.
Чем крупнее компания, тем больше у неё данных. Конечно, дело не только в величине, но и в «цифровой зрелости» — готовности компании собирать и использовать данные.
Чем выше интерес руководства к управлению на основе данных, тем больше оно стремится собрать их из разных источников.
Что же за источники обычно используют компании, для каких целей и как они интегрируются в конвейер данных?
Вот несколько самых "популярных":
1️⃣ CRM-системы
Что это: инструменты сбора, обработки и отображения информации о клиентах и взаимодействии с ними.
Метод сбора данных: чаще всего веб-интерфейс и свой API, через который можно отправить запрос в систему и получить ответ. Большие CRM могут дорабатываться под особенности бизнеса, также может допиливаться и API.
Данные
➖ Контакты и прочие данные клиентов;
➖ Данные о сделках, взаимодействиях и прочих процессах работы с клиентами;
➖ Новые лиды;
➖ Данные о сотрудниках, работающих с клиентами;
➖ Источники лидов;
➖ Другие сведения, которые стекаются в CRM.
Примеры: Битрикс24, amoCRM, Мегаплан.
2️⃣ Cистемы веб-аналитики
Что это: комплекс инструментов для сбора, измерения, анализа и интерпретации данных о посетителях веб-ресурсов.
Метод сбора данных: использование API, но не все системы отдают всё полностью.
Например, Google Analytics 4 не отдаёт полные сырые данные о хитах по API. Эта опция доступна только при прямой интеграции с Google BigQuery, остальным придётся довольствоваться лишь агрегированными данными.
Другой вариант — своими силами собирать нужные события, но это, скорее всего, потребует ресурсов разработчика.
Данные
➖ Хиты (события, просмотры страниц);
➖ Визиты/сессии (источники трафика, длительность, данные о приложении-клиенте пользователя и т. д.).
Примеры: Google Analytics, Яндекс Метрика, Amplitude.
3️⃣ Базы данных бизнес-приложений
Что это: практически любые цифровые продукты и сервисы имеют свою базу данных, а то и десятки для нормального функционирования.
Данные
Всё, что генерирует и хранит приложение:
— Учётные записи пользователей, их финансовые транзакции и баланс;
— Перечни услуг, тарифов, расписания событий и т. д.;
— Статусы заказов юзеров, состояние их работы с сервисом — например, подключенные аккаунты в системах автоматизации рекламы.
Метод сбора
Данные из «своих» СУБД собираются через стандартные методы подключения, например, из Python-скриптов (например, библиотека psycopg2 для работы с PostgreSQL) или же с помощью специализированных инструментов (например, оператор PostgresOperator для Airflow).
Примеры: PostgreSQL, MySQL, Microsoft SQL Server, Oracle Database.
4️⃣ Электронные таблицы
Что это: простое решение для внесения в аналитическое хранилище данных с ручного ввода либо из источников, сбор из которых не поддаётся недорогой автоматизации.
Данные: любые табличные данные.
Метод сбора: популярные облачные решения имеют свои API и Python-библиотеки. Для csv и xlsx-файлов в Python также есть функции загрузки в скрипт (например, в Pandas-датафрейм) и заливки в аналитическое хранилище.
Примеры: Google Sheets, Яндекс Таблицы, файлы Excel, файлы csv.
Приветствую, любители аналитики!
Сегодня поговорим о том, с какими данными и из каких источников приходится работать дата-аналитику.
Чем крупнее компания, тем больше у неё данных. Конечно, дело не только в величине, но и в «цифровой зрелости» — готовности компании собирать и использовать данные.
Чем выше интерес руководства к управлению на основе данных, тем больше оно стремится собрать их из разных источников.
Что же за источники обычно используют компании, для каких целей и как они интегрируются в конвейер данных?
Вот несколько самых "популярных":
1️⃣ CRM-системы
Что это: инструменты сбора, обработки и отображения информации о клиентах и взаимодействии с ними.
Метод сбора данных: чаще всего веб-интерфейс и свой API, через который можно отправить запрос в систему и получить ответ. Большие CRM могут дорабатываться под особенности бизнеса, также может допиливаться и API.
Данные
➖ Контакты и прочие данные клиентов;
➖ Данные о сделках, взаимодействиях и прочих процессах работы с клиентами;
➖ Новые лиды;
➖ Данные о сотрудниках, работающих с клиентами;
➖ Источники лидов;
➖ Другие сведения, которые стекаются в CRM.
Примеры: Битрикс24, amoCRM, Мегаплан.
2️⃣ Cистемы веб-аналитики
Что это: комплекс инструментов для сбора, измерения, анализа и интерпретации данных о посетителях веб-ресурсов.
Метод сбора данных: использование API, но не все системы отдают всё полностью.
Например, Google Analytics 4 не отдаёт полные сырые данные о хитах по API. Эта опция доступна только при прямой интеграции с Google BigQuery, остальным придётся довольствоваться лишь агрегированными данными.
Другой вариант — своими силами собирать нужные события, но это, скорее всего, потребует ресурсов разработчика.
Данные
➖ Хиты (события, просмотры страниц);
➖ Визиты/сессии (источники трафика, длительность, данные о приложении-клиенте пользователя и т. д.).
Примеры: Google Analytics, Яндекс Метрика, Amplitude.
3️⃣ Базы данных бизнес-приложений
Что это: практически любые цифровые продукты и сервисы имеют свою базу данных, а то и десятки для нормального функционирования.
Данные
Всё, что генерирует и хранит приложение:
— Учётные записи пользователей, их финансовые транзакции и баланс;
— Перечни услуг, тарифов, расписания событий и т. д.;
— Статусы заказов юзеров, состояние их работы с сервисом — например, подключенные аккаунты в системах автоматизации рекламы.
Метод сбора
Данные из «своих» СУБД собираются через стандартные методы подключения, например, из Python-скриптов (например, библиотека psycopg2 для работы с PostgreSQL) или же с помощью специализированных инструментов (например, оператор PostgresOperator для Airflow).
Примеры: PostgreSQL, MySQL, Microsoft SQL Server, Oracle Database.
4️⃣ Электронные таблицы
Что это: простое решение для внесения в аналитическое хранилище данных с ручного ввода либо из источников, сбор из которых не поддаётся недорогой автоматизации.
Данные: любые табличные данные.
Метод сбора: популярные облачные решения имеют свои API и Python-библиотеки. Для csv и xlsx-файлов в Python также есть функции загрузки в скрипт (например, в Pandas-датафрейм) и заливки в аналитическое хранилище.
Примеры: Google Sheets, Яндекс Таблицы, файлы Excel, файлы csv.
И напоминаю, что я нынче ментор курса "Аналитик данных" (кстати, неплохо сделанного, на мой взгляд).
Так что кто хочет прокачаться как следует в этой теме, а также потерзать меня вопросами о том, как реально работает аналитика в компаниях, вот вам ссылочка: вписывайтесь, сегодня последний день скидки 15%!