18 декабря 2024
Аналитик данных и Data Scientist: сравниваем профессии
Аналитики данных и Data Scientists востребованы в любой сфере, где нужно работать с данными: от маркетинга до здравоохранения, от промышленности до банковского дела. Специалистов часто путают из-за похожих рабочих задач, однако у них разные цели и результаты работы.
Разобрались в нюансах двух специальностей и поговорили с теми, кто прошёл обучение и нашёл своё место в профессии. Статья поможет определиться, если стоит выбор между аналитикой данных и Data Science.
Разобрались в нюансах двух специальностей и поговорили с теми, кто прошёл обучение и нашёл своё место в профессии. Статья поможет определиться, если стоит выбор между аналитикой данных и Data Science.
Александра Берлизева
Автор, редактор
Аналитики данных и Data Scientists востребованы в любой сфере, где нужно работать с данными: от маркетинга до здравоохранения, от промышленности до банковского дела. Специалистов часто путают из-за похожих рабочих задач, однако у них разные цели и результаты работы.
Разобрались в нюансах двух специальностей и поговорили с теми, кто прошёл обучение и нашёл своё место в профессии. Статья поможет определиться, если стоит выбор между аналитикой данных и Data Science.
Разобрались в нюансах двух специальностей и поговорили с теми, кто прошёл обучение и нашёл своё место в профессии. Статья поможет определиться, если стоит выбор между аналитикой данных и Data Science.
В материале
- Что такое большие данные
- Кто такой аналитик данных и чем он занимается
- Кто такой Data Scientist и чем он занимается
- Чем аналитик данных отличается от Data Scientist
- Какие навыки нужны аналитику данных и Data Scientist
- Где работают и сколько зарабатывают аналитики данных и Data Scientists
- Как стать аналитиком данных или Data Scientist
- Итак, какую же специализацию выбрать?
- За консультацию при подготовке материала благодарим Наталью Баданину ― Data Scientist в компании «Чистая линия».
Что такое большие данные
Банковские транзакции, отложенные товары на маркетплейсах, переписки с друзьями, добавленные песни в плейлисты ― все наши действия в интернете относятся к большим данным. Поэтому большие данные, или Big Data ― это массивный объём информации, который хранится на цифровых носителях: серверах, хостингах и облачных платформах.
При этом маркетологи, менеджеры и финансисты получают уже готовый срез данных, который могут использовать для своих целей. А с сырыми большими данными работают в том числе аналитики данных и Data Scientists.
При этом маркетологи, менеджеры и финансисты получают уже готовый срез данных, который могут использовать для своих целей. А с сырыми большими данными работают в том числе аналитики данных и Data Scientists.
Кто такой аналитик данных и чем он занимается
Аналитик данных, или Data Analyst, собирает, обрабатывает, анализирует и интерпретирует большие данные.
Основная цель аналитика данных ― помочь бизнесу найти решение на основе собранных фактов.
Благодаря работе аналитиков компании улучшают работу: понимают причины успехов и неудач, разрабатывают стратегию развития, решают расширяться или закрыть бизнес.
Основная цель аналитика данных ― помочь бизнесу найти решение на основе собранных фактов.
Благодаря работе аналитиков компании улучшают работу: понимают причины успехов и неудач, разрабатывают стратегию развития, решают расширяться или закрыть бизнес.
Пример. Walmart ― крупная международная сеть оптовой и розничной торговли. Чтобы удерживать конкурентное преимущество, компании необходимо было снизить затраты на поставку продукции и повысить уровень обслуживания клиентов. Для решения этой задачи привлекли аналитиков данных.
Специалисты изучили исторические данные о продажах, проанализировали сезонные колебания спроса, влияние акций на покупателей и географические различия конкретных магазинов в каждом регионе. Исходя из полученных сведений, аналитики выявили основные проблемы и предложили разработать системы, которые бы отслеживали уровень запасов на складах и в магазинах. Кроме того, они создали алгоритмы для оптимизации маршрутов доставки. Благодаря этому Walmart смогла сократить время доставки товаров от поставщиков до магазинов и снизить затраты на хранение.
Специалисты изучили исторические данные о продажах, проанализировали сезонные колебания спроса, влияние акций на покупателей и географические различия конкретных магазинов в каждом регионе. Исходя из полученных сведений, аналитики выявили основные проблемы и предложили разработать системы, которые бы отслеживали уровень запасов на складах и в магазинах. Кроме того, они создали алгоритмы для оптимизации маршрутов доставки. Благодаря этому Walmart смогла сократить время доставки товаров от поставщиков до магазинов и снизить затраты на хранение.
Чем занимается аналитик данных:
- погружается в бизнес-процессы, чтобы понимать истинные потребности компании и её клиентов;
- собирает, выгружает, обрабатывает и анализирует данные для постановки и тестирования гипотез и решения задач;
- классифицирует и сегментирует данные, чтобы сгруппировать информацию по категориям;
- внедряет метрики эффективности, чтобы правильно оценить деятельность компании;
- проводит тестирование для сбора информации о том, как повлияли изменения в продуктах и услугах компании на рынок и потребителей;
- составляет графики и диаграммы для подготовки отчётов;
- презентует результаты, чтобы руководство и коллеги понимали, на основе каких данных принимать решения.
Для аналитика данных важны три сферы: математика, анализ и бизнес
Меня всегда привлекала работа с данными. Люблю погружаться, докапываться до сути, искать закономерности, изучать статистику, классифицировать, сегментировать, а затем визуализировать массивы информации.
Это отразилось и на выборе работы. Я долго была аналитиком клиентских данных в банковской сфере. Когда поняла, что мне нужны более глубокие знания, я пошла учиться на аналитика данных.
Это отразилось и на выборе работы. Я долго была аналитиком клиентских данных в банковской сфере. Когда поняла, что мне нужны более глубокие знания, я пошла учиться на аналитика данных.
- Анастасия КарпухинаЗаместитель начальника отдела эксплуатации баз данных в компании «ОРС»
Меня всегда привлекала работа с данными. Люблю погружаться, докапываться до сути, искать закономерности, изучать статистику, классифицировать, сегментировать, а затем визуализировать массивы информации.
Это отразилось и на выборе работы. Я долго была аналитиком клиентских данных в банковской сфере. Когда поняла, что мне нужны более глубокие знания, я пошла учиться на аналитика данных.
Это отразилось и на выборе работы. Я долго была аналитиком клиентских данных в банковской сфере. Когда поняла, что мне нужны более глубокие знания, я пошла учиться на аналитика данных.
- Анастасия КарпухинаЗаместитель начальника отдела эксплуатации баз данных в компании «ОРС»
• С нуля освоите профессию и через 4 месяца сможете начать работать
• Выберете траекторию обучения под ваши цели: базовую, расширенную
или продвинутую
• Разберёте реальные тестовые задания от Сбера, Яндекса и Т-Банка и будете чувствовать себя увереннее при поиске работы
• Выберете траекторию обучения под ваши цели: базовую, расширенную
или продвинутую
• Разберёте реальные тестовые задания от Сбера, Яндекса и Т-Банка и будете чувствовать себя увереннее при поиске работы
• С нуля освоите профессию и через 4 месяца сможете начать работать
• Выберете траекторию обучения под ваши цели: базовую, расширенную
или продвинутую
• Разберёте реальные тестовые задания от Сбера, Яндекса и Т-Банка и будете чувствовать себя увереннее при поиске работы
• Выберете траекторию обучения под ваши цели: базовую, расширенную
или продвинутую
• Разберёте реальные тестовые задания от Сбера, Яндекса и Т-Банка и будете чувствовать себя увереннее при поиске работы
Кто такой Data Scientist и чем он занимается
Data Scientist, или дата-сайентист, тоже работает с большими объёмами данных, но обрабатывает их с помощью моделей машинного обучения.
Ключевые задачи специалиста ― научить программу делать прогнозы, на основании которых можно принимать решения, и искать скрытые закономерности в данных.
Ключевые задачи специалиста ― научить программу делать прогнозы, на основании которых можно принимать решения, и искать скрытые закономерности в данных.
Машинное обучение (machine learning, ML) ― область искусственного интеллекта, в которой разрабатываются алгоритмы и модели, позволяющие компьютерам обучаться и улучшать свои результаты в решении поставленной задачи на основе данных.
Модель машинного обучения (модель ML, MLM) ― это обученный на данных математический объект, который позволяет делать прогнозы, классифицировать информацию, обнаруживать зависимости или принимать решения для выполнения поставленной задачи.
Алгоритм машинного обучения можно сравнить с рецептом пирога: все ингредиенты и шаги прописаны. А модель машинного обучения ― это результат работы алгоритма, то есть готовый пирог.
Модель машинного обучения (модель ML, MLM) ― это обученный на данных математический объект, который позволяет делать прогнозы, классифицировать информацию, обнаруживать зависимости или принимать решения для выполнения поставленной задачи.
Алгоритм машинного обучения можно сравнить с рецептом пирога: все ингредиенты и шаги прописаны. А модель машинного обучения ― это результат работы алгоритма, то есть готовый пирог.
Пример. Amazon ― огромная площадка для онлайн-торговли. Чем больше у компании ассортимент, тем сложнее предлагать пользователям подходящие продукты. Без эффективной системы рекомендаций клиенты не находили того, что им было нужно. Чтобы избежать снижения продаж и не испортить пользовательский опыт, дата-сайентисты Amazon разработали модель машинного обучения для создания персонализированных рекомендаций.
Новая система рекомендаций учитывала как индивидуальные предпочтения клиента, так и общие тренды, популярные среди других пользователей. Результаты тестирования показали, что персонализированные предложения повысили уровень удовлетворённости клиентов и увеличили объём продаж.
Новая система рекомендаций учитывала как индивидуальные предпочтения клиента, так и общие тренды, популярные среди других пользователей. Результаты тестирования показали, что персонализированные предложения повысили уровень удовлетворённости клиентов и увеличили объём продаж.
Что делает Data Scientist:
- собирает и подготавливает данные, чтобы передать алгоритмам конкретные сведения без недостающих или лишних значений;
- применяет алгоритмы машинного обучения, чтобы обучить и протестировать модель для решения поставленной задачи;
- интегрирует полученную модель в инфраструктуру, чтобы пользователь или заказчик могли получать ответ модели на новые, поступающие данные;
- работает над улучшением ML-метрик, учитывая аналитические и бизнес-метрики;
- визуализирует результаты, чтобы упростить восприятие информации, на основе которой нужно принимать решения;
- тестирует гипотезы, чтобы проверить их достоверность и оценить влияние изменений на результаты бизнеса.
Составляющие профессии Data Scientist
По образованию я инженер-конструктор воздушно-реактивных двигателей. Проработал в этой сфере два года и понял, что не моё. Хотел найти в области расчётов и вычислений то, что будет заряжать меня каждый день.
К тому же я интересовался темой искусственного интеллекта. Особенно меня впечатлила София ― человекоподобный робот, который может отвечать на вопросы, имитировать жесты и эмоции. Я постоянно смотрел видео и думал: «Неужели люди умеют делать такие вещи? Это же что-то совершенно волшебное и невероятное, при этом вполне реальное!»
Однажды я ехал в поезде, смотрел очередное видео и понял, что все эти фантастические вещи делают обычные люди. Раз они смогли, почему я не смогу? И уже часа через полтора записался на курс Нетологии по Data Science.
До сих пор не жалею, что поступил тогда именно так. Судьбоносный поезд был, видимо 🙂 С тех пор я каждый день всё глубже погружаюсь в мир Data Science, постоянно открываю для себя что-то новое и удивительное.
К тому же я интересовался темой искусственного интеллекта. Особенно меня впечатлила София ― человекоподобный робот, который может отвечать на вопросы, имитировать жесты и эмоции. Я постоянно смотрел видео и думал: «Неужели люди умеют делать такие вещи? Это же что-то совершенно волшебное и невероятное, при этом вполне реальное!»
Однажды я ехал в поезде, смотрел очередное видео и понял, что все эти фантастические вещи делают обычные люди. Раз они смогли, почему я не смогу? И уже часа через полтора записался на курс Нетологии по Data Science.
До сих пор не жалею, что поступил тогда именно так. Судьбоносный поезд был, видимо 🙂 С тех пор я каждый день всё глубже погружаюсь в мир Data Science, постоянно открываю для себя что-то новое и удивительное.
- Иван ТармосинВедущий аналитик-разработчик моделей оценки долговых портфелей
По образованию я инженер-конструктор воздушно-реактивных двигателей. Проработал в этой сфере два года и понял, что не моё. Хотел найти в области расчётов и вычислений то, что будет заряжать меня каждый день.
К тому же я интересовался темой искусственного интеллекта. Особенно меня впечатлила София ― человекоподобный робот, который может отвечать на вопросы, имитировать жесты и эмоции. Я постоянно смотрел видео и думал: «Неужели люди умеют делать такие вещи? Это же что-то совершенно волшебное и невероятное, при этом вполне реальное!»
Однажды я ехал в поезде, смотрел очередное видео и понял, что все эти фантастические вещи делают обычные люди. Раз они смогли, почему я не смогу? И уже часа через полтора записался на курс Нетологии по Data Science.
До сих пор не жалею, что поступил тогда именно так. Судьбоносный поезд был, видимо 🙂 С тех пор я каждый день всё глубже погружаюсь в мир Data Science, постоянно открываю для себя что-то новое и удивительное.
К тому же я интересовался темой искусственного интеллекта. Особенно меня впечатлила София ― человекоподобный робот, который может отвечать на вопросы, имитировать жесты и эмоции. Я постоянно смотрел видео и думал: «Неужели люди умеют делать такие вещи? Это же что-то совершенно волшебное и невероятное, при этом вполне реальное!»
Однажды я ехал в поезде, смотрел очередное видео и понял, что все эти фантастические вещи делают обычные люди. Раз они смогли, почему я не смогу? И уже часа через полтора записался на курс Нетологии по Data Science.
До сих пор не жалею, что поступил тогда именно так. Судьбоносный поезд был, видимо 🙂 С тех пор я каждый день всё глубже погружаюсь в мир Data Science, постоянно открываю для себя что-то новое и удивительное.
- Иван ТармосинВедущий аналитик-разработчик моделей оценки долговых портфелей
• С нуля освоите профессию и сможете искать работу через 5 месяцев обучения
• Выберете траекторию обучения под ваши цели: базовую, расширенную
или продвинутую
• Наполните портфолио настоящими задачами от партнёров и сможете пройти стажировку
• Выберете траекторию обучения под ваши цели: базовую, расширенную
или продвинутую
• Наполните портфолио настоящими задачами от партнёров и сможете пройти стажировку
• С нуля освоите профессию и сможете искать работу через 5 месяцев обучения
• Выберете траекторию обучения под ваши цели: базовую, расширенную
или продвинутую
• Наполните портфолио настоящими задачами от партнёров и сможете пройти стажировку
• Выберете траекторию обучения под ваши цели: базовую, расширенную
или продвинутую
• Наполните портфолио настоящими задачами от партнёров и сможете пройти стажировку
Чем аналитик данных отличается от Data Scientist
Три главных отличия аналитика данных от Data Scientist:
- Аналитик данных сфокусирован на прошлом, а специалист по Data Science ― на будущем.
- В отличие от дата-сайентиста аналитик данных не владеет навыками машинного обучения.
- Аналитик данных чаще взаимодействует с другими специалистами, чтобы лучше понимать бизнес-процессы. Поэтому ему нужны развитые софт-скиллы в большей степени, чем дата-сайентисту.
Аналитики и Data Scientists работают с данными, визуализируют их и представляют результаты своей работы коллегам и клиентам.
К различиям можно отнести основную составляющую работы на проекте.
Аналитики могут составлять статистические модели данных, искать инсайты в данных и формулировать гипотезы.
Data Scientists работают с большими данными, которые сложно проанализировать статистическими алгоритмами. Поэтому в их задачи часто входит построение более сложных моделей, например моделей машинного обучения и нейросетей.
К различиям можно отнести основную составляющую работы на проекте.
Аналитики могут составлять статистические модели данных, искать инсайты в данных и формулировать гипотезы.
Data Scientists работают с большими данными, которые сложно проанализировать статистическими алгоритмами. Поэтому в их задачи часто входит построение более сложных моделей, например моделей машинного обучения и нейросетей.
- Наталья БаданинаData Scientist в компании «Чистая линия»
Аналитики и Data Scientists работают с данными, визуализируют их и представляют результаты своей работы коллегам и клиентам.
К различиям можно отнести основную составляющую работы на проекте.
Аналитики могут составлять статистические модели данных, искать инсайты в данных и формулировать гипотезы.
Data Scientists работают с большими данными, которые сложно проанализировать статистическими алгоритмами. Поэтому в их задачи часто входит построение более сложных моделей, например моделей машинного обучения и нейросетей.
К различиям можно отнести основную составляющую работы на проекте.
Аналитики могут составлять статистические модели данных, искать инсайты в данных и формулировать гипотезы.
Data Scientists работают с большими данными, которые сложно проанализировать статистическими алгоритмами. Поэтому в их задачи часто входит построение более сложных моделей, например моделей машинного обучения и нейросетей.
- Наталья БаданинаData Scientist в компании «Чистая линия»
Чтобы было проще разобраться в этих различиях, приведём пример. Представим, что компания «Крутые кроссовки» запускает новую рекламную кампанию и ставит задачу ― оценить её эффективность через месяц.
Подход и решение аналитика данных → взял исторические данные о продажах до начала кампании и сравнил их с показателями после её запуска.
В первую очередь аналитик собрал информацию о продажах за предыдущие месяцы и очистил её от лишних данных. При помощи статистических методов определил, как увеличились продажи после запуска новой кампании. Результаты зафиксировал на графиках и составил отчёт.
Подход и решение дата-сайентиста → собрал данные не только о продажах, но и о факторах, которые могли повлиять на результаты кампании: трафик на сайт, взаимодействие пользователей с рекламными материалами, конкурентные акции.
Дата-сайентист интегрировал эти данные из разных источников в единую базу. Затем очистил данные и создал новые переменные для сезонности и временных факторов. После этого применил методы машинного обучения для создания модели прогнозирования продаж. Выявляя эффективность рекламной кампании, сравнивал реальные показатели продаж после её запуска с прогнозом модели. Создал интерактивный отчёт с графиками для понимания, насколько точно удалось определить результат новой рекламной кампании.
Подход и решение аналитика данных → взял исторические данные о продажах до начала кампании и сравнил их с показателями после её запуска.
В первую очередь аналитик собрал информацию о продажах за предыдущие месяцы и очистил её от лишних данных. При помощи статистических методов определил, как увеличились продажи после запуска новой кампании. Результаты зафиксировал на графиках и составил отчёт.
Подход и решение дата-сайентиста → собрал данные не только о продажах, но и о факторах, которые могли повлиять на результаты кампании: трафик на сайт, взаимодействие пользователей с рекламными материалами, конкурентные акции.
Дата-сайентист интегрировал эти данные из разных источников в единую базу. Затем очистил данные и создал новые переменные для сезонности и временных факторов. После этого применил методы машинного обучения для создания модели прогнозирования продаж. Выявляя эффективность рекламной кампании, сравнивал реальные показатели продаж после её запуска с прогнозом модели. Создал интерактивный отчёт с графиками для понимания, насколько точно удалось определить результат новой рекламной кампании.
- Чёткой грани между двумя профессиями нет. При желании аналитик данных может быстро дорасти до Data Scientist. А дата-сайентист может взять на себя задачи аналитика, если разовьёт гибкие навыки.
Но важно понимать, что аналитик ― это больше прикладная специальность, а Data Scientist в первую очередь учёный, который занимается исследованиями.
Какие навыки нужны аналитику данных и Data Scientist
Хард-скиллы
Профессиональные навыки, которые нужны обоим специалистам:
А эти хард-скиллы будут различаться ↓
- Знание математики, теории вероятностей и статистики, чтобы находить закономерности в массивах данных и правильно интерпретировать информацию.
- Знание языка программирования Python и языка запросов SQL, чтобы преобразовывать данные, очищать их и анализировать, а также оптимизировать рутинные задачи.
- Умение формулировать и проверять гипотезы, чтобы разнообразить подходы к решению задач.
- Понимание принципов работы с Big Data, чтобы находить и выгружать информацию из различных источников.
- Умение проводить тестирование, чтобы убедиться в верности предположений и правильности гипотез.
- Навык визуализации данных, чтобы наглядно представлять результаты работы.
А эти хард-скиллы будут различаться ↓
В работе аналитиком мне помогает знание SQL. Я работаю с базами данных, и мне нужно быстро получать информацию в разных разрезах.
Также мне очень помогает знание программного обеспечения для бизнес-анализа Power BI, чтобы делать для коллег интересные и наглядные отчёты.
Также мне очень помогает знание программного обеспечения для бизнес-анализа Power BI, чтобы делать для коллег интересные и наглядные отчёты.
- Анастасия КарпухинаЗаместитель начальника отдела эксплуатации баз данных в компании «ОРС»
В работе аналитиком мне помогает знание SQL. Я работаю с базами данных, и мне нужно быстро получать информацию в разных разрезах.
Также мне очень помогает знание программного обеспечения для бизнес-анализа Power BI, чтобы делать для коллег интересные и наглядные отчёты.
Также мне очень помогает знание программного обеспечения для бизнес-анализа Power BI, чтобы делать для коллег интересные и наглядные отчёты.
- Анастасия КарпухинаЗаместитель начальника отдела эксплуатации баз данных в компании «ОРС»
Софт-скиллы
Без гибких навыков специалистам будет сложнее развиваться в профессии. Вот на какие качества стоит обратить внимание тем, кто планирует стать аналитиком данных или Data Scientist:
Различаться будут эти софт-скиллы ↓
- Критическое мышление. Способность анализировать данные, выявлять закономерности и формулировать выводы на основе фактов помогает принимать решения.
- Умение работать в команде. Аналитик данных и дата-сайентист часто работают в междисциплинарных командах, поэтому им важно слушать и слышать других, уметь договариваться, поддерживать менее опытных коллег.
- Адаптивность. В быстро меняющемся мире технологий аналитики данных и дата-сайентисты должны быть готовы к изменениям, появлению новых инструментов и методологий.
- Тайм-менеджмент. Нужно уметь расставлять приоритеты в задачах и эффективно распределять время.
Различаться будут эти софт-скиллы ↓
В первую очередь аналитику нужно быть любопытным. Интерес к задаче позволит глубоко погрузиться в данные и создать хороший проект.
А к этому должно прилагаться стремление докопаться до сути и придирчивость к самому себе.
А к этому должно прилагаться стремление докопаться до сути и придирчивость к самому себе.
- Анастасия КарпухинаЗаместитель начальника отдела эксплуатации баз данных в компании «ОРС»
В первую очередь аналитику нужно быть любопытным. Интерес к задаче позволит глубоко погрузиться в данные и создать хороший проект.
А к этому должно прилагаться стремление докопаться до сути и придирчивость к самому себе.
А к этому должно прилагаться стремление докопаться до сути и придирчивость к самому себе.
- Анастасия КарпухинаЗаместитель начальника отдела эксплуатации баз данных в компании «ОРС»
Специалисту по Data Science важен творческий потенциал, ведь работа с данными предполагает умение придумывать что-то необычное из массы однообразных чисел.
И не стоит забывать, что коммуникабельные и добрые люди в любой сфере ценятся больше при прочих равных.
И не стоит забывать, что коммуникабельные и добрые люди в любой сфере ценятся больше при прочих равных.
- Иван ТармосинВедущий аналитик-разработчик моделей оценки долговых портфелей
Специалисту по Data Science важен творческий потенциал, ведь работа с данными предполагает умение придумывать что-то необычное из массы однообразных чисел.
И не стоит забывать, что коммуникабельные и добрые люди в любой сфере ценятся больше при прочих равных.
И не стоит забывать, что коммуникабельные и добрые люди в любой сфере ценятся больше при прочих равных.
- Иван ТармосинВедущий аналитик-разработчик моделей оценки долговых портфелей
Где работают и сколько зарабатывают аналитики данных и Data Scientists
Аналитики данных
Судя по вакансиям на hh.ru, вот ключевые сферы, помимо IT, в которых требуются аналитики данных:
По данным hh.ru на момент публикации статьи, в среднем заработок аналитиков данных варьируется от 35 000 до 350 000 рублей ― в зависимости от уровня квалификации специалиста и сферы деятельности компании.
Стажёрам работодатели готовы предложить минимальную заработную плату в размере 35–70 000 рублей в месяц. Аналитики с опытом работы от года могут рассчитывать на заработок 80–150 000 рублей. Профи получают 150–350 000 рублей.
- финансовый сектор ― для оценки рисков, анализа инвестиционных стратегий и оптимизации портфелей;
- розничная торговля ― для оптимизации запасов, анализа покупательского поведения и прогнозирования продаж;
- маркетинг ― для анализа поведения потребителей, эффективности рекламных кампаний, корректного выделения сегментации рынка;
- здравоохранение ― для улучшения качества обслуживания пациентов и оптимизации процессов.
По данным hh.ru на момент публикации статьи, в среднем заработок аналитиков данных варьируется от 35 000 до 350 000 рублей ― в зависимости от уровня квалификации специалиста и сферы деятельности компании.
Стажёрам работодатели готовы предложить минимальную заработную плату в размере 35–70 000 рублей в месяц. Аналитики с опытом работы от года могут рассчитывать на заработок 80–150 000 рублей. Профи получают 150–350 000 рублей.
Примеры зарплат аналитиков данных в разных городах в зависимости от опыта соискателя ― без опыта, от года и от трёх лет. Источник: hh.ru
Ещё на этапе обучения я решила сменить сферу и ушла из банка. Сразу же устроилась на должность Senior Data Analyst в крупную международную фармацевтическую компанию. Это было очень сложно. Я смогла проработать почти три месяца в жёстком режиме и уволилась. Затем я практически сразу устроилась в фирму, которая создаёт софт для авиакомпаний.
Я работаю в Москве, и вилка для опытного аналитика данных ― от 170 000 до 300 000 рублей. Для тех, кто окончил обучение и не имеет опыта, зарплата варьируется от 70 000 до 120 000 рублей.
Я работаю в Москве, и вилка для опытного аналитика данных ― от 170 000 до 300 000 рублей. Для тех, кто окончил обучение и не имеет опыта, зарплата варьируется от 70 000 до 120 000 рублей.
- Анастасия КарпухинаЗаместитель начальника отдела эксплуатации баз данных в компании «ОРС»
Ещё на этапе обучения я решила сменить сферу и ушла из банка. Сразу же устроилась на должность Senior Data Analyst в крупную международную фармацевтическую компанию. Это было очень сложно. Я смогла проработать почти три месяца в жёстком режиме и уволилась. Затем я практически сразу устроилась в фирму, которая создаёт софт для авиакомпаний.
Я работаю в Москве, и вилка для опытного аналитика данных ― от 170 000 до 300 000 рублей. Для тех, кто окончил обучение и не имеет опыта, зарплата варьируется от 70 000 до 120 000 рублей.
Я работаю в Москве, и вилка для опытного аналитика данных ― от 170 000 до 300 000 рублей. Для тех, кто окончил обучение и не имеет опыта, зарплата варьируется от 70 000 до 120 000 рублей.
- Анастасия КарпухинаЗаместитель начальника отдела эксплуатации баз данных в компании «ОРС»
Data Scientist
Дата-сайентисты нужны везде, где оценивают риски, совершают сделки и формируют прогнозы. Вот лишь несколько сфер, в которых требуются такие специалисты:
По данным Хабр Карьеры на момент публикации статьи, на старте карьеры дата-сайентист зарабатывает в среднем 122 000 рублей в месяц, мидл может рассчитывать на 212 000, сеньор — на 328 000 рублей.
- технологические компании ― для разработки алгоритмов машинного обучения для различных приложений, например рекомендательных систем или логистических задач;
- финансовые услуги ― для создания моделей для предсказания рыночных трендов или оценки кредитоспособности клиентов;
- автомобильная промышленность ― для разработки автономных транспортных средств или систем безопасности;
- энергетика ― для моделирования схем потребления энергии, оптимизации распределения ресурсов на основе анализа больших объёмов данных;
- научные исследования ― для выявления новых закономерностей в исследовательских данных или подтверждения гипотез.
По данным Хабр Карьеры на момент публикации статьи, на старте карьеры дата-сайентист зарабатывает в среднем 122 000 рублей в месяц, мидл может рассчитывать на 212 000, сеньор — на 328 000 рублей.
Примеры зарплат Data Scientist в зависимости от квалификации соискателя ― стажёр, мидл и сеньор. Источник: Хабр Карьера
Я всегда хотел работать именно в финансовом секторе, поэтому нашёл работу в Сколково в компании, которая создаёт IT-продукты для коллекторов.
Я разрабатываю модели, которые по описанию личности должника и структуры его долга определяют, как человек будет выплачивать задолженность. А также каким образом на его выплаты будут воздействовать различные мероприятия, например контакты с должником или использование правовых рычагов с помощью государственных структур. При проектировании таких моделей берутся в расчёт даже самые мелкие факторы: регион регистрации, ранние контакты с другими коллекторами, сезонность долгового рынка и половозрастные параметры.
А начинал я с должности стажёра в сфере Data Science с зарплатой в 50 000 рублей. За три месяца увеличил доход до 80 000, меня взяли в штат на позицию джуна. Потом я вырос до мидла с соответствующим ростом дохода. Сейчас перехожу на сеньора ― занимаю должность главного разработчика и руковожу командой.
Я разрабатываю модели, которые по описанию личности должника и структуры его долга определяют, как человек будет выплачивать задолженность. А также каким образом на его выплаты будут воздействовать различные мероприятия, например контакты с должником или использование правовых рычагов с помощью государственных структур. При проектировании таких моделей берутся в расчёт даже самые мелкие факторы: регион регистрации, ранние контакты с другими коллекторами, сезонность долгового рынка и половозрастные параметры.
А начинал я с должности стажёра в сфере Data Science с зарплатой в 50 000 рублей. За три месяца увеличил доход до 80 000, меня взяли в штат на позицию джуна. Потом я вырос до мидла с соответствующим ростом дохода. Сейчас перехожу на сеньора ― занимаю должность главного разработчика и руковожу командой.
- Иван ТармосинВедущий аналитик-разработчик моделей оценки долговых портфелей
Я всегда хотел работать именно в финансовом секторе, поэтому нашёл работу в Сколково в компании, которая создаёт IT-продукты для коллекторов.
Я разрабатываю модели, которые по описанию личности должника и структуры его долга определяют, как человек будет выплачивать задолженность. А также каким образом на его выплаты будут воздействовать различные мероприятия, например контакты с должником или использование правовых рычагов с помощью государственных структур. При проектировании таких моделей берутся в расчёт даже самые мелкие факторы: регион регистрации, ранние контакты с другими коллекторами, сезонность долгового рынка и половозрастные параметры.
А начинал я с должности стажёра в сфере Data Science с зарплатой в 50 000 рублей. За три месяца увеличил доход до 80 000, меня взяли в штат на позицию джуна. Потом я вырос до мидла с соответствующим ростом дохода. Сейчас перехожу на сеньора ― занимаю должность главного разработчика и руковожу командой.
Я разрабатываю модели, которые по описанию личности должника и структуры его долга определяют, как человек будет выплачивать задолженность. А также каким образом на его выплаты будут воздействовать различные мероприятия, например контакты с должником или использование правовых рычагов с помощью государственных структур. При проектировании таких моделей берутся в расчёт даже самые мелкие факторы: регион регистрации, ранние контакты с другими коллекторами, сезонность долгового рынка и половозрастные параметры.
А начинал я с должности стажёра в сфере Data Science с зарплатой в 50 000 рублей. За три месяца увеличил доход до 80 000, меня взяли в штат на позицию джуна. Потом я вырос до мидла с соответствующим ростом дохода. Сейчас перехожу на сеньора ― занимаю должность главного разработчика и руковожу командой.
- Иван ТармосинВедущий аналитик-разработчик моделей оценки долговых портфелей
- Разобраться в карьерных перспективах сферы работы с данными поможет бесплатный вебинар «Как начать карьеру в аналитике и Data Science». Узнаете, чем отличаются разные направления в этой сфере, что нужно для старта карьеры в аналитике и Data Science, как выбрать своё направление.
Как стать аналитиком данных или Data Scientist
Выучиться на аналитика данных и дата-сайентиста можно тремя способами: пройти онлайн-курс, получить высшее образование или самостоятельно освоить базу знаний.
Расскажем о каждом варианте подробнее.
Расскажем о каждом варианте подробнее.
Пройти онлайн-курс
К примеру, курс «Аналитика данных с МФТИ» от Нетологии и Московского физико-технического института поможет с нуля научиться анализировать большие объёмы данных, интерпретировать результаты анализа для принятия обоснованных решений, создавать инструменты визуализации данных. Практические задания станут кейсами для портфолио.
Полученные знания позволят строить карьеру в одном из трёх ключевых направлений: аналитика данных, Data Science, инжиниринг данных. После обучения студенты получают диплом о профессиональной переподготовке ведущего технического вуза России.
Получить высшее образование
Вот лишь некоторые примеры:
- Программа магистратуры МФТИ и Нетологии «Финансовые технологии и аналитика». Студенты осваивают Data Science по углублённой программе ведущего технического вуза России, с первого семестра участвуют в разработке кейсов от крупных финтех-компаний и отрабатывают навыки на хакатонах. Со второго семестра можно пройти стажировку у лидеров рынка и начать карьерный рост уже во время учёбы.
- Программа бакалавриата Национального исследовательского ядерного университета «МИФИ» «Математика и науки о данных». Научат использовать математику в прикладных целях, создавать алгоритмы для решения задач бизнеса, программировать на нескольких языках, применять методы машинного обучения.
- Программа бакалавриата Московского технического университета связи и информатики (МТУСИ) «Анализ данных и защита информации». Студенты изучают математику, статистику, учатся программировать на разных языках и анализировать большие объёмы данных.
Изучить самостоятельно
Чтобы работать с большими объёмами данных, потребуется изучить линейную алгебру, теорию вероятностей и математическую статистику, научиться программировать и работать с базами данных и программами визуализации. В одиночку освоить такие знания не просто, но при наличии сильной мотивации возможно.
Книги, которые помогут погрузиться в мир аналитики и Data Science:
Книги, которые помогут погрузиться в мир аналитики и Data Science:
- «Data Science. Наука о данных с нуля» Джоэла ГрасаНа простых примерах автор объясняет, как устроены этапы работы с данными, и даёт базовые знания о Data Science. Есть краткий курс языка программирования Python. А ещё в книге много практических заданий, которые помогут закрепить полученные знания на практике.
- Автор простым языком даёт обзор сферы и методов анализа данных, рассказывает об инструментах для сбора и обработки данных, приводит примеры из бизнеса, медицины и образования.
Резюмируем: аналитик данных vs Data Scientist
Аналитики данных и специалисты по Data Science помогают бизнесу принимать решения и строить гипотезы на основании цифр и фактов. Для обеих специализаций важно обладать критическим мышлением, знать математические основы анализа и статистику, уметь визуализировать данные.
Обе специальности востребованы в мире анализа данных и ни в чём не уступают друг другу. Просто у специалистов разные подходы к решению задач. Data Analyst строит модели на основе статистики и математики, а Data Scientist использует для ответов интеллектуальные алгоритмы.
- Иван ТармосинВедущий аналитик-разработчик моделей оценки долговых портфелей
Обе специальности востребованы в мире анализа данных и ни в чём не уступают друг другу. Просто у специалистов разные подходы к решению задач. Data Analyst строит модели на основе статистики и математики, а Data Scientist использует для ответов интеллектуальные алгоритмы.
- Иван ТармосинВедущий аналитик-разработчик моделей оценки долговых портфелей
Аналитику данных необходимо погружаться в бизнес-процессы, уметь визуализировать идеи и вести переговоры. Data Scientist должен знать языки программирования и креативно мыслить.
Прислушайтесь к себе: что легче даётся, а что вызывает интерес?
Если у вас всё хорошо с математическим анализом, интересно машинное обучение, хочется попробовать себя в программировании ― присмотритесь к Data Science.
А если вы, как и я, любите работать с таблицами, вам интересно визуализировать проекты, строить графики, раскладывать данные по полочкам, писать интересные SQL-запросы и править чужой код ― идите учиться на аналитика данных.
Если у вас всё хорошо с математическим анализом, интересно машинное обучение, хочется попробовать себя в программировании ― присмотритесь к Data Science.
А если вы, как и я, любите работать с таблицами, вам интересно визуализировать проекты, строить графики, раскладывать данные по полочкам, писать интересные SQL-запросы и править чужой код ― идите учиться на аналитика данных.
- Анастасия КарпухинаЗаместитель начальника отдела эксплуатации баз данных в компании «ОРС»
Прислушайтесь к себе: что легче даётся, а что вызывает интерес?
Если у вас всё хорошо с математическим анализом, интересно машинное обучение, хочется попробовать себя в программировании ― присмотритесь к Data Science.
А если вы, как и я, любите работать с таблицами, вам интересно визуализировать проекты, строить графики, раскладывать данные по полочкам, писать интересные SQL-запросы и править чужой код ― идите учиться на аналитика данных.
Если у вас всё хорошо с математическим анализом, интересно машинное обучение, хочется попробовать себя в программировании ― присмотритесь к Data Science.
А если вы, как и я, любите работать с таблицами, вам интересно визуализировать проекты, строить графики, раскладывать данные по полочкам, писать интересные SQL-запросы и править чужой код ― идите учиться на аналитика данных.
- Анастасия КарпухинаЗаместитель начальника отдела эксплуатации баз данных в компании «ОРС»
Обе профессии востребованы на рынке труда. Аналитики данных особенно нужны в здравоохранении, финансовом секторе, маркетинге и розничной торговле. Дата-сайентистов активно ищут технологические стартапы, энергетические и промышленные компании.
У аналитика данных порог входа в профессию ниже, чем у Data Scientist. При этом пока дата-сайентисты востребованы на рынке труда меньше, чем аналитики, хотя зарплаты не особо сильно отличаются. Но с каждым годом востребованность специалистов по Data Science будет расти.
Если вы хотите побыстрее войти в IT-сферу, лучше выбрать профессию аналитика данных, а если ищете специализацию на долгосрочную перспективу ― Data Scientist.
Если вы хотите побыстрее войти в IT-сферу, лучше выбрать профессию аналитика данных, а если ищете специализацию на долгосрочную перспективу ― Data Scientist.
- Николай ГлущенкоБизнес-аналитик IEK Group
У аналитика данных порог входа в профессию ниже, чем у Data Scientist. При этом пока дата-сайентисты востребованы на рынке труда меньше, чем аналитики, хотя зарплаты не особо сильно отличаются. Но с каждым годом востребованность специалистов по Data Science будет расти.
Если вы хотите побыстрее войти в IT-сферу, лучше выбрать профессию аналитика данных, а если ищете специализацию на долгосрочную перспективу ― Data Scientist.
Если вы хотите побыстрее войти в IT-сферу, лучше выбрать профессию аналитика данных, а если ищете специализацию на долгосрочную перспективу ― Data Scientist.
- Николай ГлущенкоБизнес-аналитик IEK Group
Читать также
Мнение автора и редакции может не совпадать. Хотите написать колонку для Медиа Нетологии? Читайте наши условия публикации.
Чтобы быть в курсе всех новостей и не пропускать новые статьи, присоединяйтесь к Telegram-каналу Нетологии.
Чтобы быть в курсе всех новостей и не пропускать новые статьи, присоединяйтесь к Telegram-каналу Нетологии.
Александра Берлизева
Автор, редактор
Оцените статью