10 вопросов аналитику: как выглядят большие данные, как часто ошибаются аналитики и что нужно сделать, чтобы достичь профессионального признания

 Зачем нужны аналитики?

Всё просто: аналитики нужны, чтобы анализировать данные. Данные сейчас — это, как модно говорить, вторая нефть, и все пытаются собрать их как можно больше. Накопившиеся массивы уже достаточно сложно анализировать стандартными методами, поэтому аналитики учатся получать из них пользу.

 Как выглядят большие данные?

Это вопрос достаточно риторический — общего ответа на него нет. Большие данные — те, которые невозможно проанализировать без компьютерных программ и на одном компьютере.

Когда я учился в университете, мне рассказывали о больших данных как о данных в несколько гигабайт, сейчас всё изменилось. Нужно понимать, что Big Data бывает разного вида. Чаще всего я работаю с данными, выглядящими как очень большие Excel-таблички, которые точно не влезают на один компьютер. Но бывают также данные для машинного и компьютерного зрения. Это большие объёмы картинок.

 На работе аналитик в основном думает?

Да, конечно. У аналитика очень много разнообразных задач. Работа с каждой идёт в несколько этапов:

• нужно вникнуть в задачу, которую хочет решить бизнес;
• разобраться в данных, которые далеко не всегда хранятся в удобном для вас виде;
• понять, как можно решить задачу бизнеса с помощью данных, которые у тебя есть, наиболее эффективным и надежным способом.

Поэтому размышления занимают довольно большую часть времени. Нельзя сказать, что мы 100% времени ходим на встречи и общаемся с заказчиками или 100% времени программируем.

 Что есть на рабочем столе аналитика?

На моём рабочем столе только компьютер и большой бумажный блокнот, куда я записываю мысли, потому что мне проще делать это на бумаге. Здесь же лежит мобильный телефон, по которому я могу пообщаться с коллегами.

Иногда можно встретить более необычные вещи: скажем, у коллеги был большой бубен, в который он бил каждый раз, когда выполнял аналитическую задачу. Это очень бесило ?

Если же мы говорим о рабочем столе компьютера, на котором работает аналитик, то там — я просто уверен — будет Excel. Точно будет и PowerPoint, чтобы красиво визуализировать данные и предоставить их заказчику в более приятном виде. Скорее всего, будут программы для работы с теми языками программирования, которыми пользуется аналитик. Самые популярные языки — это Python и R, иногда используется Julia.

И ещё я думаю, что у аналитиков часто стоит инструмент для работы с BI-системами. В моём случае это Tableau, также встречаются Power BI, QlikView и ещё много разных других.

 Сколько раз из десяти аналитики ошибаются в выводах?

Хорошие аналитики не ошибаются в выводах. У аналитика очень часто много разных гипотез, с помощью которых он пытается ответить на вопрос, но при этом он не будет их выдавать как конечный результат. Предположим, у меня есть 10 гипотез — я их все проверю. Количество проверок возможной гипотезы и ошибок в ней огромное — не хочу даже думать о точном числе. Результат я выдам только тогда, когда буду уверен в нём на 100%. Поэтому хороший аналитик для заказчика не ошибается никогда.

 Аналитик круче программиста?

Думаю, не нужно сравнивать аналитиков и программистов: мы абсолютно разные и друг с другом вообще не сражаемся. Аналитики — это люди, которые не могут работать без разработчиков, потому что разработчики предоставляют данные для нас, чтобы мы могли их анализировать. И аналитики, и программисты занимаются программированием, но скиллы аналитика отличаются от скиллов программиста, и даже самые хорошие аналитики не смогут действительно круто запрограммировать какую-то сложную программу. Поэтому нельзя сказать, круче мы или лучшему. Мы просто разные.

 Как люди решают: «Хочу стать аналитиком»?

Это довольно сложный вопрос. Сейчас многие люди идут в профессию, потому что это модно. И я хотел бы их предупредить, что аналитика не самое весёлое занятие. Действительно, данных сейчас много и работать с ними достаточно интересно. Вы можете в какой-то степени менять мир, но это трудная и кропотливая работа, которая требует навыков, которые есть не у всех технарей.

Если не говорить о людях, которые идут в эту профессию исключительно за хайпом, то аналитиками становятся те, кто понимают, что им хотелось бы, во-первых, быть ближе к бизнес-задачам и решать их, а во-вторых, не видят в себе программиста, который будет большую часть времени именно работать с кодом. Они хотят делать какие-то решения и продукты, не тратя 80% времени именно на разработку.

 Вне работы аналитик тоже всё анализирует?

Нельзя использовать методы анализа данных на единичных случаях. Проанализировать что-то можно, только собрав большую статистику о себе. Но я замечал, что некоторые вещи, которые часто использую в работе, использую и в жизни. Например, знаю, когда будет скидка на какой-то из йогуртов в ближайшем магазине, потому что примерно прикинул, с каким временным промежутком они делают эти скидки ?

 Что должен сделать аналитик, чтобы коллеги сказали: «Он крутой»?

У аналитиков есть специальные турниры, соревнования, которые проводятся на разных платформах. Но самая популярная — это Kaggle, и там есть достаточно чёткая градация рангов. Если ты Grandmaster на Kaggle, то это почти как гроссмейстер в шахматах, то есть ты очень крутой аналитик.

Такие же конкурсы есть и в системах Business intelligence. И работа в больших известных компаниях тоже говорит о тебе, как о сильном специалист.

 А что, если всё в этом мире случайность?

Значит, мы лучше всего угадываем эту случайность. Это тоже в какой-то степени здорово. Но мне будет грустно, если всё и правда случайно — тогда вся моя работа не нужна.