Карьера в сфере данных: обзор для гуманитариев

Мы продолжаем цикл статей об айтишных и цифровых профессиях. Большая цель — чтобы была такая карта профессий и направлений, чтобы вы могли найти здесь своё место, не тратя лишние деньги и силы на то, что заведомо не ваше.

Вот весь сериал:

• В целом работа в большой ИТ-компании
• Карьера менеджера
• Карьера дизайнера
• Карьера писателя
• Карьера в сфере данных
• Карьера разработчика для гуманитариев: реально ли это? С чего начать? Как там вообще?
• Карьера бизнес-аналитика
• Да кто такие эти маркетологи? Объясняем на Ибрагиме
• Карьера эсэмэмщика
• Продакт-менеджер — самая сложная и перспективная профессия в диджитале. Вот доказательства
• Профессия: графический дизайнер. Как работают и сколько зарабатывают люди, которые профессионально делают красиво

Рекламное. Весь цикл спонсирует Яндекс Практикум, а мы ставим ссылки на их курсы. В статье ребята ничего не меняют, на контент не влияют. 

О чём речь

В мире ИТ есть много специальностей, связанных с данными, их анализом, извлечением смыслов и формулированием правильных выводов. В этих специальностях много пересечений по навыкам и технологиям, поэтому их объединяют общим термином «Данные».

Если нужно разделить, то есть два направления: 

• Всевозможная аналитика — аналитика данных, бизнес-аналитика, аналитика в 1С, системная аналитика.
• Хардкорная работа с данными — дата-сайенс, дата-инженерия, машинное обучение. Когда вы будете читать эту статью, могут появиться новые специальности — например, промт-инженеры, нейроконтролёры или менеджеры развесовки моделей. 

Мы уже говорили об аналитиках отдельно, поэтому сейчас будет много пересечений со старой статьёй. Но тогда были шуточки, а теперь серьёзно.

В чём смысл работы в данных

Смысл работы в данных — помогать бизнесу принимать правильные решения. Что это значит в деталях: 

• Нужны данные в большом объёме. Кто-то должен их собрать, причесать и хранить.
• Кто-то должен задать правильные вопросы про эти данные. Обычно это продакты, читайте о них в статье про менеджеров.
• Кто-то другой ищет ответы на эти вопросы — например, аналитик.
• Если один и тот же вопрос задаётся постоянно, нужно всё автоматизировать — например, запрограммировать дашборд.
• За всем этим надо следить, чтобы данные были актуальные и достоверные; чтобы вопросы были полезными, ответы — точными; и чтобы всё проверялось реальностью.

Большой пример

Представьте, что работаете в каком-нибудь маркетплейсе, например в Яндекс Маркете. У вас витрина, на ней 16 свободных слотов, куда нужно ставить товары. На главную страницу заходит, например, миллион человек в месяц. 

Вопрос: что показать в этих 16 свободных товарных слотах, чтобы…

• …люди много покупали,
• мы бы на этом много зарабатывали,
• а люди бы возвращались за новыми товарами,
• а мы бы привлекали классных продавцов,
• но чтобы при этом маркетплейс выглядел хорошо, красиво и модно,
• но не так, чтобы всех распугать?

А ещё:

• чтобы это всё работало само,
• подстраивалось под интересы конкретного покупателя,
• знало о его истории покупок,
• но не выдавало его интимные тайны;
• при этом чтобы неэффективные товары и рекомендации отваливались,
• а эффективные — бустились;
• и чтобы отдавался приоритет товарам, на которых мы много зарабатываем,
• но чтобы в конечном итоге люди покупали то, что им интересно,
• и покупали больше.

Вот это — пример большой задачи, над которой среди прочих работают в сфере данных. Чтобы её решить, нужны усилия продуктового менеджера, аналитика данных, финансового аналитика, дата-сайентиста, разработчиков, юристов и многих других людей. И есть задачи поменьше.

«Что показать в товарной ячейке» — это решение. Например, можно показать смартфон и заработать на нём миллион рублей в месяц. А можно показать зарядное устройство для смартфона и заработать на нём 10 миллионов рублей. Вот эти 9 дополнительных миллионов — это ценность правильного решения. Задача аналитика — помогать бизнесу принимать такие правильные решения.

Ещё примеры вопросов, на которые придётся отвечать

Сейчас будет большая батарея вопросов. Задача — чтобы вы увидели, куда проникает сфера данных и где это может быть полезно. Читайте это так: если какие-то вопросы вызвали в вас азарт и интерес, то эта сфера вам близка. Если вы читаете это с мыслью «Фу, зачем мне эта скукота?» — считайте, что сфера не ваша.

Короче: когда вы видите, что что-то работает как по волшебству, с большой вероятностью над этим работали дата-сайентисты, инженеры и разные аналитики.

Например, если вы заказали бургер в Яндекс Еде, а он приехал через 15 минут в сумке специально обученного студента, значит, студент в нужный момент оказался возле бургерной, бургерная оптимизировала процесс приготовления бургера, а студент добрался к вам по оптимальному маршруту. Всё это — следствие того, что десятки человек задали в своё время сотни вопросов, подняли терабайты данных и в итоге всё оптимизировали. 

Куда нанимают

Специалисты по данным нужны в среднем и крупном бизнесе, который что-то производит или работает с массовым клиентом. Потому что именно массовые клиенты и производственные процессы создают больше всего данных. Это маркетплейсы и любые другие торговые сети, финансовые компании и операторы связи, промышленные компании и онлайн-сервисы. 

В меньшей степени специалисты по данным нужны, например, в небольших бутиковых агентствах — разве что на проектную работу для крупного клиента.

Аналитики и сайентисты очень нужны в государственных ведомствах: от Банка России и налоговой службы до МВД и ПФР. В Банке России может быть 3–5 дизайнеров, а вот аналитиков и сайентистов там будут десятки. 

В штате или на фрилансе?

Аналитикам и сайентистам сложновато работать на фрилансе. Нужно долго въезжать в специфику работы компании, долго настраивать инфраструктуру, налаживать потоки данных, строить модели. Это не что-то, за чем приходят разово: аналитики и сайентисты трудоустроены надолго. 

Есть много случаев, когда аналитиков нанимают на почасовую работу и короткий проект. Но в остальное время они работают где-то у себя.

Как там работается

Работа с данными — это типичная интеллектуальная работа. Нужно общаться с людьми, слушать запросы бизнеса, вести переговоры, делать презентации, смотреть в экран, не унывать, не выгорать и в целом вести себя по-человечески. 

Как и в любой работе за компьютером, существенная часть может выполняться удалённо. Мы бы рекомендовали сразу целиться в вакансии, где есть офис в вашем городе. Там вы уже сможете договориться на 1–2 дня удалёнки в неделю или другой смешанный график. В 2023 году это разумно и выполнимо. 

Что нужно уметь

Есть три пласта знаний и навыков: 

• Общий математический аппарат, статистика, методы анализа.
• Конкретные инструменты (дашборды, языки программирования, софт, библиотеки).
• Софт-скилс — общение, переговоры, документооборот, навыки презентации.

Нужно ли знать математику? При работе с данными нужно быть на ты с математикой. Хорошая новость в том, что освоить её в нужном объёме можно во взрослом возрасте. Необязательно быть выпускником факультета прикладной математики. 

В карьере аналитика, в зависимости от специализации, математики может быть минимум — например, у системного или бизнес-аналитика. Для аналитика 1С может хватить школьного курса математики. 

Технические навыки зависят от того, чем вы будете заниматься. Обычно в разных сочетаниях вам нужно будет знать Python, SQL, Excel с макросами, PowerBI и DataLens. 

Есть вообще отдельный класс аналитиков, которые специализируются на продуктах 1С, там своя атмосфера. 

Карьера

В зависимости от того, какие навыки ты прокачиваешь, у тебя открываются разные карьерные перспективы. Можно развивать техническую ветку навыков, и тогда карьера пойдёт в сторону машинного обучения и дата-инженерии. Можно заниматься людьми, процессами и бизнесом, и тогда ты станешь системным и бизнес-аналитиком. 

Как и везде в ИТ, никто тебе не даёт 300 тысяч за секунду работы просто так. Начинаешь с простого, грызёшь эту тему, становишься крутым. 

Сколько платят

Разгон зарплат большой, потому что есть много узких специальностей и технически сложных областей. Чем сложнее, тем дороже: 

• На уровнях с нуля сейчас вы встретите зарплаты от 40 до 80 тысяч рублей. Это позиции аналитиков и младших аналитиков. 
• Когда вы становитесь специалистом среднего уровня, ваш коридор зарплат — 100–250 тысяч рублей, в зависимости от сферы.
• Руководительские позиции и сложные специалистские вакансии — от 200 тысяч и выше. В отдельных сферах есть специалисты-аналитики с зарплатами по 350 тысяч. Вакансий на эти сферы обычно нет — там людей перекупают, поэтому ценные специалисты без работы не сидят.  

Главный облом

Главный облом в работе — когда ты создал правильную модель, она даёт надёжные предсказания, ты делаешь правильные выводы и вообще красавчик. Но люди, которым ты это отгружаешь, кладут твои результаты в стол. 

Почему? Потому что боссу виднее. 

Это участь исследователей, аналитиков, маркетологов и вообще всех, кто предоставляет данные для руководства. Иногда на месте руководителя оказывается великий визионер типа Стива Джобса. Но на каждого Джобса есть тысяча самодуров, которые просто голос разума.

Риски из-за нейросетей

Нейросети — это не то, что выдавит аналитиков, а их важный инструмент. Аналитики и сайентисты используют нейросетевые инструменты, чтобы автоматизировать свою работу. Тем, кто умеет работать с нейросетями, платят больше, чем всем остальным. 

А специалисты по машин-лёрнингу — это и есть разработчики нейросетей. Так что это они будут отнимать работу у других, а не наоборот. 

Где и как учиться

У Яндекс Практикума есть большое направление данных и аналитики, оно живёт здесь: practicum.yandex.ru/catalog/data-analysis/ 

Там есть пять видов курсов. Разбиваем для вашего удобства.

Практикум известен тем, что там не просто видеолекции и вебинары, а интерактивные тренажёры, кураторы и поддержка сообщества. Это серьёзное обучение, которое вы не бросите. Но и звёзд с неба вам тоже не обещают: никто после курсов не придёт с пачкой денег. Но кому надо — те сами свои пачки заберут.