Аналитик данных: чем он занимается и сколько зарабатывает. Как стать аналитиком с нуля?

Что я получил: Я узнал о реляционных базах данных — они состоят не из одной таблицы, а из многих, но данные в них связаны. Я также научился писать SQL-запросы, и теперь все это мне необходимо для работы аналитиком.

Кто такой аналитик, чем занимается, сколько зарабатывает и как им стать

Аналитик помогает руководству принимать правильные решения на основе цифр. Проще говоря, аналитик — это специалист, который собирает, структурирует и анализирует данные.

Область охватывает большое количество областей. О каждом из них мы рассказали в отдельной статье:

• Кто такой web-аналитик, что делает и где работает
• Кто такой продуктовый аналитик, что делает и где работает
• Кто такой Data Scientist, что делает и где работает
• Кто такой аналитик Big Data, что делает и сколько зарабатывает
• Кто такой специалист по машинному обучению, что делает и сколько зарабатывает
• Кто такой инженер нейросетей, чем занимается, сколько зарабатывает и как им стать
• Кто такой бизнес-аналитик, что делает и где работает
• Кто такой дата-инженер, что делает и где работает
• Кто такой аналитик на R: обязанности, зарплата и как им стать
• Что такое глубокое обучение, кто такой Deep Learning Engineer и какая у него зарплата
• Что такое искусственный интеллект и как стать Al-разработчиком
• Кто такой SQL-аналитик, чем занимается, сколько зарабатывает и как им стать

Зарплата и место работы

По данным сайта labor.com, средняя зарплата аналитика в России в 2022 году составит 49 500 рублей в месяц.

Сколько зарабатывает специалист, зависит от его опыта, размера компании и региона проживания. В Москве, например, им платят почти 56 тысяч рублей в месяц, в Санкт-Петербурге — около 52,5 тысяч.

Где может работать аналитик?

• Страховые агентства.
• Банки.
• Госструктуры.
• Медицинские учреждения.
• Торговля.
• Рекламные и маркетинговые агентства.
• Сфера IT.

Зарплата специалистов зависит от выбранного направления в аналитике. Читайте наши статьи о заработке:

Подборка курсов Все онлайн-курсы по аналитике данных в 2022 году

Что нужно знать, чтобы стать аналитиком

Чтобы стать аналитиком, необходимо знать:

• Как создаются и тестируются гипотезы.
• Как строить и прогнозировать модели.
• Методы статистического анализа.
• Как на основе полученных данных можно оптимизировать процессы.
• Языки программирования и основы IT.

Компетентный специалист должен уметь:

• Работать с большими объемами данных, с базами данных и электронными таблицами.
• Разбираться в бизнес-процессах и экономических показателях.
• Работать с отчетами.
• Производить сложные математические расчеты.

Кто такой аналитик данных и зачем он компаниям

Аналитик данных — это специалист, который собирает, обрабатывает, анализирует и интерпретирует Большие данные. Он или она помогает найти скрытые причинно-следственные связи между различными фрагментами информации, объяснить их в цифрах и найти решения для оптимизации бизнес-процессов.

Аналитики данных востребованы в различных отраслях: технологии, энергетика, финансы, логистика, промышленность, наука и многие другие. С их помощью компании ищут точки роста, повышают эффективность процессов и проверяют различные гипотезы.

В промышленном секторе аналитики данных помогают прогнозировать сценарии отказа оборудования; в финансовом секторе они помогают оценить кредитоспособность клиентов в рамках процесса кредитования. Энергетические компании используют аналитику данных для прогнозирования потребления электроэнергии — эта информация помогает им своевременно оптимизировать производство и сократить расходы.

Какие задачи решает дата-аналитик

Задачи аналитика данных лежат на стыке математики, статистики, планирования и управления продуктами. В результате его работы компания получает ориентировочные заключения, которые помогают ей прогнозировать будущее, принимать объективные бизнес-решения и извлекать из них выгоду.

Чем обычно занимается аналитик данных:

• Автоматизирует процессы сбора и обработки данных для составления аналитических и статистических отчётов.
• Ищет закономерности в результатах проведённых исследований. Понимание взаимосвязей нужно для определения решений, основанных на цифрах и фактах.
• Внедряет бизнес-метрики, которые помогают оценивать различные виды деятельности компаний. Так, CAC показывает сумму, которая была потрачена на привлечение клиента, а ROI позволяет определить процент окупаемости инвестиций. Метрики могут быть разные и зависят от предмета исследования.
• Применяет диагностическую аналитику, чтобы установить причинно-следственные связи между произошедшими ранее явлениями.
• Использует предсказательную аналитику для выдвижения новых гипотез.
• Проводит A/B тестирование. Это помогает исследовать реакцию рынка и потребителей на изменения в продуктах и услугах компании.
• Применяет методы юнит-экономики для поиска наиболее выгодных решений по логистике и дистрибуции товаров.

Аналитиков данных часто путают с data scientist’ами, хотя это две разные профессии. Первый связан с разрядкой, обработкой информации, выводами и машинным обучением. Последний имеет более широкие полномочия в области науки о данных и специализируется на решении технических проблем: Построение нейронных сетей, внедрение технологий,

Наш банк действовал в соответствии с правилами, установленными службой безопасности. На основе этих правил ежедневно блокировались тысячи транзакций и сотни счетов. Но возникла проблема: в попытке снизить вероятность мошеннических операций пострадали невинные клиенты. Их счета и переводы также были заблокированы.

Используя статистические методы, мы в течение нескольких месяцев изучали поведение мошенников, анализировали их транзакции и данные личных счетов, строили диаграммы и исследовали зависимости. Это позволило нам создать техническое решение, которое автоматически отслеживает сотни транзакций в секунду и своевременно сообщает о подозрительной активности в службу финансового контроля. Наша система работает на стабильно высоком уровне без каких-либо серьезных последствий для добросовестных клиентов.

Для эффективного выполнения описанных задач аналитику данных необходимы следующие жесткие и мягкие навыки ↓.

Пример реальной вакансии с сайта hh.ru показывает, что эти навыки и знания ожидаются от соискателей:

KlickHaus

Навыки и умения, необходимые для данной работы — Навыки и умения должностной инструкции: «Навыки и умения владельца вакансии следующие:

Какие навыки нужны в работе аналитика данных

Умение работать с данными в виде форматирования в базе данных; Проектирование визуализаций.

• Написание запросов на языке SQL. Это помогает автоматизировать рутинные задачи, анализировать данные, проверять предположения, обрабатывать большие объёмы информации для поиска закономерностей.
• Формулирование гипотез. Необходимо для подготовки предложений и прогнозов, которые смогут решить проблему или задачу заказчика.
• Визуализация данных в Qlik Sense, Tableau или Power BI. Графическое представление информации в дашбордах позволяет наглядно презентовать бизнесу выводы и наблюдения.
• A/B-тестирование. Этот инструмент помогает убедиться в правильности предположений.
• Создание отчётов на языке пользователей. Важно подбирать понятные для заказчика термины для представления результатов работы.
• Использование систем типа Big Data. С их помощью значимая информация выгружается из различных источников.
• Критический анализ собственных идей и информации. Необходим для получения достоверных выводов, основанных на цифрах, а не привычных представлениях.
• Навыки коммуникации, ведения переговоров. Важно находить общий язык с заказчиками и правильно понимать их желания и проблемы.
• Умение работать в Google Sheets или Excel. Этот навык необходим для создания отчётов, дашбордов, предоставления информации для пользователей.

Автоматизация обработки данных

Какие навыки нужны аналитику? (по убыванию значимости)

1. Английский Язык. Отрасль анализа данных это международный феномен и большинство нововведений приходит из-за границы. Все библиотеки для анализа данных, а также справочники, технологии и знания должны быть понятны всему миру, поэтому оптимизированы под английский язык. Все онлайн-курсы и книги написаны на английском языке. Стоит ли говорить, что английский язык может стать основным сдерживающим фактором, если вы решите строить карьеру заграницей. Если разработчик/программист еще хоть как-то может обойтись базовым знанием языка, то для аналитика нужен по-настоящему беглый разговорный язык. Роль подразумевает умение общаться с самыми разными людьми, объяснять сложные вещи простым языком, а также зачастую выступать на публике с презентацией концепций и результатов. Если вы вдруг сейчас продолжаете обучение в университете или даже школе и рассматриваете карьеру аналитика, то приоритезируйте английский язык. Почти все остальное можно так или иначе освоить потом, но с возрастом мозг теряет пластичность и языки становится учить сложнее. По ощущениям английский важнее, чем все остальные дисциплины вместе взятые. С другой стороны, в в конечном итоге вывести английский язык на высокий уровень поможет лишь одно — практика. Я не говорю о разговорном клубе и не обязательно имею в виду поездки в другие страны. На моем опыте самый большой объем взаимодействия с языком можно получить в интернете. Читайте тексты, Twitter, мемы, Reddit, книги. Смотрите видео, фильмы, сериалы. Сначала с субтитрами, потом в оригинале. Во всех возможных интерфейсах, где можно выбрать английский язык, выбирайте его — на телефоне, в играх, программах. Сегодня каждый человек так или иначе потребляет контент в социальных сетях. Постарайтесь найти для себя интересный контент на английском языке, тогда изучать его сразу станет проще.
2. SQL. (Structured Query Language) Своего рода язык программирования для проведения расчетов на больших (и не очень) массивах данных. С 70-х годов 20-го века является доминирующим инструментом для аналитики данных. В конце 10-х годов казалось, что рост объемов датасетов сделает невозможным использование языка, но вместе с такими решениями, какВизуализация методов визуализации данных, визуализация операций по обработке данных и даже, SQL вернул и приумножил свою актуальность. Для начинающего аналитика это первое, что нужно освоить. Без SQL невозможна работа с большими массивами данных и построение выводов по этим данным, чего ждут от аналитиков, начиная с самого младшего специалиста.
3. Теория Вероятности и Математическая Статистика. Для аналитика это главная математическая дисциплина, потому что она учит построению выводов по данным — финальной задаче аналитика. В первую очередь аналитики используют методы статистики, чтобы правильно провести эксперимент и проверять гипотезы. При этом в статистике буквально есть развитый и проверенный годами математический инструментарий для проверки гипотез. Более того, почти любая аналитическая задача подразумевает определенный уровень грамотности в вопросах вероятности и статистической значимости. Почти каждый вывод аналитика базируется на данных. Даже самая простая ad-hoc задача вызывает вопрос — насколько значим полученный результат? Мог ли он быть получен случайно или это результат фундаментальных свойств объекта исследования? Чтобы оперативно отвечать на такие вопросы нужна математическая статистика. Более того, в хороших компаниях на собеседованиях вас обязательно ждут задачи на вероятность — без этого никак.
4. Python. Минималистичный язык программирования, который в последние годы нашел обширное применение в анализе данных. С помощью Python делают все:Обучение нейронной сети.,‘11266’) и сравнения строк (‘abcdefg’ = ‘gfedcba’?). С другой стороны, наиболее сложные алгоритмы работают с,Проблемы расшифровки генома человека.истохастическая оптимизация. Более того, разработчики тоже используют язык для своих задач, поэтому владея им сильно проще понимать друг друга. Например, читать код разработчиков, чтобы понять, что он делает. Во многих компаниях для аналитиков обязательно владение как минимум одним языком программирования. На собеседовании это не обязательно должен быть Python, но как только вас возьмут, то попросят писать именно на нем и все-равно придется его учить.
5. Машинное Обучение. Сегодня сложно представить себе по-настоящему большую компанию, которая не использует машинное обучение. Далеко не все аналитики на практике создают модели машинного обучения, но для всех сегодня обязательно понимать, какие задачи оно решает. В очень упрощенном виде машинное обучения выполняет работу аналитика за него — модель делает выводы по данным в автоматическом режиме. Простейшие модели прогнозируют объем продаж на торговой точке, отток пользователей из приложения или вероятность дефолта по кредиту. Более сложные модели рекомендуют видео, ранжируют страницы и даже распознают лица. Принцип остается прежним: модель использует исторические данные, чтобы делать выводы о будущем.
6. Алгоритмы и Структуры Данных — это математическая дисциплина, которая изучает последовательности действий для решения задач преобразования информации, а также способы ее эффективного хранения и утилизации. На практике это значит — как писать код так, чтобы он выполнял поставленную задачу за разумное время. Самые банальные алгоритмические задачи включают в себя поиск и сортировку элементов в массиве (‘16126’ ->Понимание методов машинного обучения.Линейная алгебра используется дляматричное умножение в нейронных сетях.и методы оптимизации., используемой в нейронных сетях. Многие аналитики считают, что работодатели несправедливо требуют от них знания алгоритмов и структур данных. Зачем аналитикам алгоритмы? Ведь они не пишут код, это нужно скорее разработчикам. На практике самые творческие аналитические задачи непременно требуют знания алгоритмов. Это касается не только “Аналитиков-разработчиков”/”Machine Learning Engineer”, но и тех, кто не пишет боевой код. Алгоритмы могут понадобится аналитикам для моделирования сложных процессов, создания прототипов и моделей машинного обучения, а также для сложных расчетов на больших массивах данных.
7. Прочая математика. Почти вся математика, которая преподается в университетах в той или иной степени пригождается в работе аналитика. Математический Анализ необходим дляЯ даже не буду упоминать об этом.. Более того, все взаимосвязано. Например, комбинаторные формулы дискретной математикииспользуются в теории вероятностей.. Интегралы, которые традиционно являются частью математического анализа, используютсядля проверки статистических гипотез.ЯндексОзонТинькоффРФ довольно лояльно относится к вчерашним выпускникам на позициях начального уровня, пройти собеседование не так уж сложно. Однако не стройте иллюзий по поводу приятного тона рекрутера и 100% уверенности в вашей высокой квалификации. Ваша задача — собрать как можно больше +- квалифицированных людей для скорейшей встречи с интервьюером. Тогда вы придете к интервьюеру, и он не будет вас жалеть, он другой человек с другими целями. Его задача — следить за тем, чтобы вы ни при каких обстоятельствах не наняли «не того» человека. Какие трудности вас могут ожидать во время собеседования?.

Где работать?

• Стажировка. Самый лучший старт в карьере это стажировка в крупной технологической компании. (https://www.sql-ex.ru,по ссылке,VK,Панды) Оплата, как правило, символическая, но опыт работы открывает множество перспектив и потом можно быстро выйти на достойный уровень. Стажировки сейчас часто удаленные и на 20 часов / неделю, поэтому такую занятость более чем реально совмещать с учебой. В компаниях очень лояльно относятся к сессиям, курсовым и дипломам действующих студентов. С одной стороны, из-за ностальгии сотрудников и добрых побуждений, а с другой — человек получает образование и в будущем может стать еще более полезным сотрудником.
• Любая другая практика. Не стоит сильно расстраиваться, если у вас не получилось примкнуть к крупным IT-компаниям на старте. Стажировок очень мало и мест на всех не хватает. На старте нужно быть готовым для любой работы, которая позволяет вам практиковать хотя бы часть из навыков, которые понадобятся в профессии. Например, можно присмотреться к банковской сфере. В банках требуется множество аналитиков. Как правило, в банковской сфере под этим понимают немного других людей, но тем не менее это неплохой опыт для будущей работы в IT-компаниях. В следующий раз на вас неизбежно будут смотреть как на человека с опытом. В банковской сфере вполне можно потренировать навыки SQL, Python и даже машинного обучения.

или что-то подобное. После

• SQL. Здесь будут задачи до среднего уровня на простые SELECT’ из таблиц. Вам будут даны таблицы, а вам нужно будет грамотно объединить (JOIN) данные из них и провести определенные вычисления. Попрактиковаться можно наdatacamp.com, уже много лет этот сайт является золотым стандартом подготовки к собеседованиям по SQL. Важно: некоторые люди могут попросить вас выполнить тестовое задание, для которого нужно самостоятельно создать базу данных. Для младшего специалиста это достаточно сложная задача сама по себе и это нормально, если для вас это составляет половину сложности задания. Важно 2: некоторые задачи выглядят очень простыми, но на самом деле требуют от вас заметить маленькую деталь, которая полностью меняет смысл.
• Вероятность. Здесь будут задачи почти как из университетского курса Теории Вероятности и Математической статистики. Пример: Есть две стандартные игральные кости. Какова вероятность выпадения одинаковых значений при броске? Больше примеровhttps://leetcode.com.
• Python. Как правило аналитиков просят объединить пару таблици с помощью библиотекиАналитика можно сравнить с врачом, который лечит одного пациента. У него постоянно появляются новые симптомы,Допустим, цель — повысить уровень удержания пользователей. Аналитик продукта выдвигает гипотезу для достижения цели и проверяет базы данных. Возможно, некоторые элементы пользовательского интерфейса отталкивают пользователей. Аналитик предлагает изменения, а затем поведение клиента измеряется снова. Если она улучшается, то гипотеза верна. Если нет, то решение ищется дальше.Даже зарплаты начинающих продуктовых аналитиков выше, чем в среднем по России. Кроме того, большинство компаний предлагают такие бонусы, как оплачиваемое питание и посещение тренажерного зала.вы станете в этом настоящим экспертом. Вероятно после других курсов тоже возможно получить высокий уровень.
• Алгоритмы. Здесь аналитиков попросят решить задачи уровня Easy и Medium сМы изучили вакансии аналитика по продуктам на HeadHunter, SuperJob и Careerspace и составили такую градацию:. Решать много-много задач оттуда хорошая практика для этого этапа. Как правило, аналитиков не спрашивают совсем жесткие алгоритмы.
• Машинное обучение. Если мы не говорим о ролях с глубоким упором на ML, то здесь достаточно понимать основные задачи, методы оценки точности моделей, примеры приложений и, желательно, механизм работы алгоритмов. Конечно, последний пункт самый сложный. Пример задачи: если мы хотим сделать модель для прогнозирования Y в зависимости от X, то какой алгоритм лучше использовать для такой выборки: линейную регрессию или градиентный бустинг?

Чем занимается продуктовый аналитик

На основе предложений о работе, размещенных на HeadHunter, SuperJob и Careerspace.

Аналитики по продуктам ценятся на рынке, поскольку помогают объективно оценить состояние проекта, найти точки роста и пробелы, требующие срочного внимания. Технически это можно сделать и без них, но процесс займет больше времени. Компании, не имеющей аналитиков, также сложнее использовать собранные данные.

Давайте разберемся, что необходимо для проекта.

Большинство отчетов создается в Excel, особенно неопытными аналитиками по продуктам. Excel также позволяет создавать электронные таблицы, автоматизировать задачи с помощью макросов, создавать визуализации с помощью VBA и многое другое.

1. Определить действия и параметры пользователей для отслеживания. Чтобы выстроить гипотезу или оценить проблему, нужна не вся информация. Допустим, для приложения отслеживают количество уникальных пользователей за сутки, степень вовлеченности и среднюю прибыль с одного платящего клиента.
2. Настроить сбор релевантной информации. Это одно из условий успешной проверки гипотезы, ведь ее надо с чем-то сравнивать. Пример визуализации гипотез продуктовой аналитики, представленный компанией «Авито» на отраслевой конференции
3. Визуализация для принятия решений. Сюда входят отчеты, графики и другие наглядные изображения, ведь гипотезу надо верно подать руководству. Они же не будут два часа изучать Excel с выборкой, верно? У всех компаний своя визуализация. Выше привели пример «Авито».

Excel — это гибкий и простой инструмент. Если отчет нужен немедленно, проще создать его в электронных таблицах.

SQL — это язык запросов, который позволяет извлекать необходимую информацию из базы данных. Поиск информации в Google и Yandex также является языком запросов.

• Вы познакомитесь с целями и задачами продуктовой аналитики в маркетинге
• Получите понимание бизнес‑контекста, в котором работают продуктовые аналитики
• Научитесь строить отчеты на платформе Power BI
• Изучите основы языка SQL для работы с базами данных
• Разберетесь в основах системной аналитики и аналитики бизнес‑процессов

Зарплата продуктовых аналитиков

Навыки SQL необходимы для аналитика продукта, поскольку без них специалист зависит от программистов и не может самостоятельно получать и обрабатывать данные.

Помимо SQL, в объявлениях о вакансиях также упоминаются R и Python. Для должностей начального уровня знание этих языков не является обязательным, но считается преимуществом. На среднем уровне и выше требуется понимание R и Python.

Суть в следующем: R и Python позволяют работать с данными не только на уровне простых запросов и операций. Без этих языков ничего нельзя сделать в сложном статистическом анализе.

Пример визуализации в Tableau. Изображение habr.com

• сбор и сортировка данных
• базовые исследования
• трактовка потока данных и формирование гипотез по их использованию
• простые запросы в SQL
• работа с Excel на базовом уровне

Google Analytics, Tableau, Amplitude или Power BI — все это отличные инструменты для работы с визуализацией. Да, Excel отлично подходит для быстрых встреч с коллегами, но если вам нужно представить свою работу высшему руководству, лучше использовать более гибкий инструмент.

Конечным результатом работы аналитика является улучшение маркетинговых показателей. Если эксперт не знает, что такое LTV, CAC и коэффициент конверсии, он просто «потерялся». Каждая компания имеет свои бизнес-модели и должна заниматься ими с первого дня работы. Нет времени изучать разницу между маржой и рентабельностью.

Инструменты продуктового аналитика

Чтобы получить работу, мне нужны были сертификаты, подтверждающие мои знания. Я мог бы читать статьи по программированию и смотреть видео на YouTube, но для этого нет сертификатов. Их можно получить в университетах — там есть очные аспирантские курсы по информатике и анализу данных. Или вы можете пройти онлайн-курсы. Я выбрал второй вариант, и вот почему.

Excel, куда без него

Низкая стоимость. В 2019 году степень магистра в области науки о данных в Высшей школе экономики стоит 390 000 песо в год. За два года я бы потратил P780 000. А самый дорогой онлайн-курс, который я видел, стоил 236 000 пенсов. Это был курс «Информационная бизнес-аналитика» в Колледже информационных систем. Она продолжалась в течение одного года.

Это был самый дорогой онлайн-курс по анализу данных

Умение писать базовые запросы в SQL

А онлайн-курсы были в основном дешевыми. Например, курс «Основы программирования на Python» на Coursera стоит P5 000. А на платформе Stapik были даже бесплатные курсы, такие как «Введение в базы данных». В любом случае, я понял, что онлайн-обучение определенно будет дешевле.

Легче сдаться. Я признал, что мне может не нравиться учиться и что за курсы и аспирантуру в высших учебных заведениях нужно платить заранее. Я боялся, что будет трудно вернуть свои деньги, и думал, что на курсе потеряю меньше денег, чем на Masters. Что касается будущего, я сделал два возврата за курс и не имел с этим проблем.

Знание языков R и Python

Это было легко совместить с работой. Я хотел продолжать работать в сфере продаж и одновременно учиться. Я планировал учиться по вечерам, в выходные и праздничные дни. Даже на работе у меня были «временные окна» в течение дня: в это время я хотел заниматься учебой и выполнять срочные задания, если таковые были. При автономном обучении такой график был бы невозможен.

Я прошел 11 онлайн-курсов по анализу данных. Один из них исходит непосредственно от его создателя — Высшей школы бизнес-информатики. Остальные я нашел на образовательных платформах Coursera, Stageik, Skillbox, Datacamp и Yandexpractice.

Продвинутая визуализация

Coursera, Stapik и Skillbox предлагают не только курсы по программированию, но и курсы по истории, математике, экономике, искусству и многое другое. Яндекспрактика предлагает курсы по IT-разработке, аналитике, веб-дизайну и интернет-маркетингу. А в «Лагере данных» есть курсы по программированию и математике.

Я выбрал разные курсы для всех платформ. Только за «Data-camp» платили единовременную годовую абонентскую плату и могли пройти любой курс.

Знание маркетинговых и продуктовых метрик

Кто преподавал. Курс в Высшей школе бизнеса преподавали профессора из самой школы, а курс в Яндекспрактике — аналитики Яндекса. На других платформах курсы были созданы профессорами университетов, колледжей и бизнес-школ, а также сотрудниками крупных, успешных компаний. Например, на Coursera я изучал курсы Высшей школы экономики, Google и IBM. Все учебные заведения и компании, которые хотят предлагать свои курсы на Coursera, должны быть аккредитованы на платформе.

Почему я выбрал онлайн-обучение

На русскоязычной платформе Stapik, с другой стороны, курсы также предлагаются частными преподавателями. Я полагаю, что они также подвергаются аудиту. Например, курс «Основы SQL» преподавал Никита Шультайс, разработчик и основатель собственной компании.

«SkillBox» нанимает собственную команду преподавателей. В курсе «Профессия Data Scientist: анализ данных» лекции читали сотрудники Rambler, Profi-ru, Сбербанка и самого Skillbox.

Формат занятия. Занятия включали теорию в виде лекций в текстовой или видео форме. И практика — тесты и домашние задания. Я мог посещать лекции и писать тесты в любое время, даже ночью. Самое главное, что у нас было достаточно времени, чтобы сделать все, что предусмотрено модулем. На Яндекс Практике модуль занял две недели, в то время как на других платформах — одну неделю.

Я получил баллы за тесты. Из них складывалась итоговая оценка. В основном тесты контролировались профессорами, только в сертификате Data Science Professional Certificate на Coursera были такие же студенты, как я. Мне пришлось сдавать тесты вместе с профессорами.

Мне часто отказывали, потому что у меня не было опыта работы. Но в марте 2020 года, незадолго до карантина, я начал регулярно приглашать людей на собеседования. Я посетил пять компаний, как неизвестные фирмы, занимающиеся маркетинговым анализом, так и известные банки. Мне предлагали разные зарплаты: в небольших компаниях — от 60 000 р., в одном банке — от 110 000 р. Но этому банку нужен был аналитик с продвинутыми навыками, и в итоге меня не взяли.

Они не спрашивали меня о моем опыте, но спрашивали, знаю ли я тот или иной инструмент. Иногда они присылали по почте тестовые проекты на SQL или Python. Они даже не посмотрели мои рекомендации. Лишь иногда они задавались вопросом, каково это — учиться на Yandex Workshop и Data Camp. В апреле, в середине карантина, я устроился на работу аналитиком в банк. Я пока не использую там Python, но я постоянно использую SQL. В моем банке есть два отдела: один отвечает за клиентов малого бизнеса, другой — за клиентов среднего бизнеса. Мне дают задания: например, проверить людей, которые могут быть заинтересованы в кредите или сберегательном вкладе. Я проверяю транзакции всех клиентов и смотрю, какие продукты они оплатили в других банках. Это говорит мне о том, что они также могут быть заинтересованы в нашем продукте. Затем я наблюдаю, привлекает ли этих клиентов наша продукция, и пишу отчеты. Банк проверяет их и принимает решение о дальнейших действиях.

Как сменить профессию, получать больше и на чем заработать. Дважды в неделю в вашей почте

Как проходит онлайн-обучение дата-аналитике

На предыдущем месте работы моя зарплата составляла P125 000. Я также получал бонусы — в среднем P35 000-40 000, в зависимости от достижения KPI. Мне повезло, и сейчас мой доход точно такой же. Я считаю, что это отличный результат. Особенно если учесть, что я искал работу без опыта и в разгар пандемии коронавируса.

Как я нашел работу