Чем отличается бизнес аналитик от аналитика данных

Error get alias

Каждому из нас приходится принимать решения и иметь дело с их последствиями. Если речь идёт о бизнесе, то верный выбор может принести кругленькую сумму денег, а неверный — стоить целого состояния. Неудивительно, что сейчас в моде data-driven-подход, при котором каждое бизнес-решение принимается на основе объективных данных. Преобразованием данных в решения занимаются аналитики: финансовые, инвестиционные, продуктовые, аналитики рисков — им нет числа, как и строкам в их таблицах.

Разновидностей аналитиков стало уже так много, что в них немудрено и запутаться. Под катом мы разберём, кто такие аналитики данных, системные аналитики, бизнес-аналитики и дата-сайентисты: чем они отличаются, что у них общего, какие навыки нужны, чтобы стать одним из них. А заодно — вспомним первопроходцев, выдающихся аналитиков прошлого и над какими задачами они работали.

---

Всякий организм существует в океане информации, поступающей через его органы чувств. От того, насколько хорошо он умеет её собирать и обрабатывать, зависит его успех в голодных играх эволюции. Человека царём зверей сделало не прямохождение и не отстоящий большой палец — его киллер-фичей стала эффективность обработки данных.

Помимо оперативных данных («Насколько быстро на меня бежит вот этот мамонт?»), человек умеет работать с абстрактной разрозненной информацией, систематизировать её, строить модели, делать выводы. Ещё в древние времена люди научились выстраивать логические связки. Например, сопоставлять цвет ягоды и её съедобность. Те, кому это удавалось лучше, чаще выживали, оставляли больше потомства и в итоге стали предками современных дата-сайентистов. 

Сегодня мир буквально состоит из информации. На её сборе и обработке сколачиваются целые состояния. Гигантские компании всеми правдами и неправдами стремятся узнать о вас как можно больше — не потому, что им интересны ваши личные секреты, а потому, что данные — новая нефть. Мировой рынок больших данных уже достиг объёма в 121 млрд долларов в 2022 году, и это наверняка не предел.

После такого эпического вступления самое время познакомиться с нашими героями — аргонавтами информационного океана. Кто же скрывается за таинственными аббревиатурами, перечисленными в заголовке?

Аналитик данных

Среди своих собратьев аналитик данных (Data Analyst, DA) — безусловно, перворождённый. Задачи анализа данных существуют столько же, сколько сами данные. Однако эффективные методы их решения появились лишь с изобретением математической статистики.

Если математика — царица всех наук, то математическая статистика — царица Data Science. Она позволяет, имея набор данных, проверить, насколько он соответствует той или иной модели. А подобрав верную модель, можно из неё делать интересные и полезные выводы.

Забавный пример из истории — эксперимент Фишера.

Эксперимент Фишера — это, в сущности, первый описанный кейс A/B-тестирования. Конечно, в A/B-тестах вместо одинокой леди Бристоль широкая пользовательская аудитория, а вместо угадывания — колебания разнообразных бизнес-метрик. Но, например, если дизайнер утверждает, что новая форма кнопки улучшит конверсию страницы, именно наработки Фишера помогут обосновать (или опровергнуть) его правоту.

Основная задача классической статистики — делать выводы о генеральной совокупности на основе ограниченных выборок. Позже, в 1962 году Джон У. Тьюки в своей книге «Будущее анализа данных» выделил анализ данных в отдельную научную дисциплину с более широкими задачами. Тьюки, в частности, ввёл понятие «разведочный анализ данных». Если по-простому — в любом аналитическом проекте сперва стоит «посмотреть на данные», чтобы понять, как работать с ними дальше. Именно Тьюки ввёл в обиход диаграмму «Ящик с усами», или Boxplot. Визуализация данных и их обобщение позволяют получить ценное «интуитивное» понимание данных.

Качество данных

Прежде чем делать выводы, неплохо бы приглядеться — из чего именно. Идеальные данные бывают лишь в идеальном мире, реальные датасеты нуждаются в предварительной проверке, фильтрации, коррекции. Проверка обычно делится на две большие области:

1. В процессе разведочного анализа выявляются аномалии, пропуски, дубли, ошибки ввода и нарушения структуры.

   Дубли — это когда в датасет некоторые записи попадают многократно, такие данные бесполезны и отфильтровываются до начала анализа.

   Ошибками ввода называют случаи, когда в поля, предназначенные для одних данных, попадают другие: это может быть следствием некорректного чтения файла или небрежностью человека-оператора.

   Частный случай ошибки ввода — пропущенные данные. Отдельные пустые поля можно заменить, например, средним значением или медианой, чтобы не терять информацию, содержащуюся в других полях записи.

   Также могут встречаться аномалии: данные, резко отличающиеся от остальных. Это могут быть как недостоверные данные, попавшие в датасет по ошибке, так и реальные кейсы, которые просто не характерны для общей картины. Детектирование аномалий — непростая и даже творческая задача: что считать аномалией и как с ней поступать, приходится решать отдельно в каждом конкретном случае.

2. Анализ методики сбора данных на предмет систематических искажений. Такие искажения могут быть незаметны в самих данных, но существенно повлиять на выводы.

Известный пример такого искажения — «парадокс выжившего».

Отчёт

Результат работы аналитика данных — это отчёт, где в том или ином виде сформулированы некоторые выводы. Раскрыть информацию, содержащуюся в данных, помогают визуализация в виде схем и графиков. Данные могут обновляться динамически, поэтому аналитики строят интерактивные дашборды. Это специальные инструменты, которые позволяют отображать имеющиеся данные в реальном времени, и пользователь всегда имеет доступ к актуальной информации в «человекочитаемом» виде. 

Современные инструменты визуализации позволяют не только дать пользователю конечные выводы, но и рассказать историю, показать весь путь решения. Такой приём называется «сторителлинг». Хороший пример сторителлинга — вот такой интерактивный дашборд, рассказывающий историю нескольких беженцев из Италии с помощью данных.

Скиллы

Аналитик должен уметь преобразовать данные в удобный ему формат. Для этого желательно знания языков программирования. В Data Science стандартом де-факто является Python, — впрочем, другие языки тоже могут сгодиться. Кроме того, данные часто содержатся в специализированных хранилищах и для их извлечения необходимо знать соответствующий язык запросов — например, SQL в случае реляционных баз данных. Для представления результатов своей работы используют BI-инструменты, такие как Tableau или DataLens. Кроме того, не стоит забывать про мат. статистику — царицу Data Science.

Кроме хард-скиллов, ценятся аналитические способности, а также коммуникативные навыки. К последним можно отнести умение презентовать свои выводы и грамотно объяснять сложные технические концепции людям без соответствующего бэкграунда. Если аналитик сделал важное открытие, но не смог его объяснить или убедить в его важности, толку от него мало. И конечно же, важно внимание к деталям и умение думать outside the box. Всегда помните о парадоксе выжившего!

Дата-сайентист

Дата-сайентист занимается исследованием данных средствами машинного обучения. Есть обширный класс задач, которые нецелесообразно поручать аналитику-человеку. Например, когда слишком много входных параметров. Или когда закономерность в данных слишком неочевидна, чтобы сходу сформулировать гипотезу (чем с математической точки зрения изображение котика отличается от изображения пёсика?). Или когда нужно уметь быстро приспосабливаться к изменению условий задачи (аналитик полгода строил модель, определяющую пёсиков по набору пикселей, а от него требуют научиться распознавать лягушек, желательно — вчера).

Компьютер глупее человека в плане эвристических способностей, однако он быстрее и способен оперировать бо́льшим объёмом данных. Можно научить компьютер формулировать и перебирать гипотезы определённого класса, надеясь, что одна из них подойдёт к данным достаточно точно. Такой перебор (хорошо оптимизированный и математически обоснованный) и называется машинным обучением.

В качестве примера рассмотрим самые распространённые задачи машинного обучения — регрессию и классификацию.

Регрессия

Задача нахождения взаимосвязи между целевой переменной и сопутствующими факторами называется регрессией. Этот термин в 1886 году ввёл английский исследователь Фрэнсис Гальтон. Гальтон изучал зависимость роста детей от роста родителей. Он выяснил, что дети высоких отцов в среднем ниже их, хотя и выше детей, родители которых не такие рослые. Этот статистический феномен Гальтон назвал «регрессия к среднему» (от латинского regressio — «обратное движение»). В дальнейшем термин «регрессия» стал использоваться и для других подобных задач — даже в случае, если никакого «обратного движения» в них не происходит.

Гальтоновская регрессия к среднему — не столько биологический, сколько статистический феномен. Чтобы проиллюстрировать это, можно провести следующий мысленный эксперимент. 

Мысленный эксперимент

Однако вернёмся к математической задаче регрессии. В общем виде это попытка приблизить интересующую нас величину некоторой функцией от входных данных. Важный частный случай, часто встречающийся в машинном обучении, — линейная регрессия, когда искомая функция линейная. Иначе говоря, если мы предполагаем зависимость от факторов x и y, то ищем функцию вида ax + by + c, где a, b, c — неизвестные коэффициенты, которые необходимо подобрать так, чтобы функция лучше всего приближала прогнозируемую величину.

Линейные регрессии применялись ещё Лежандром и Гауссом в начале XIX века. И Гаусс, и Лежандр использовали метод линейной регрессии для понимания орбит комет на основе неточных измерений их предыдущих местоположений. 

В машинном обучении линейная регрессия — один из базовых методов прогнозирования. Существуют специальные методики, позволяющие оптимизировать подбор коэффициентов вместо того, чтобы тупо перебирать все возможные комбинации или пытаться вычислить оптимальные параметры аналитически. Более продвинутые машинные модели (в том числе нейросети) используют комбинации линейных и нелинейных функций, которые позволяют приблизить более сложные закономерности, но методика там та же.

Классификация

Ещё одной распространённой задачей машинного обучения является классификация — распределение объектов по конечному числу заранее заданных классов. Классификацию тоже можно рассматривать как предсказание величины, но не непрерывной, как в случае регрессии, а дискретной, принимающей одно из N значений. 

Одна из старейших задач этой категории — классификация ирисов. Датасет для неё был составлен нашим старым знакомым Рональдом Фишером (помните эксперимент с чаем?). В датасете содержится 150 записей о цветках трёх типов: ирис щетинистый, ирис виргинский и ирис разноцветный. Также присутствуют факторы: длина и ширина наружной и внутренней доли околоцветника. Датасет до сих пор является каноничным для испытания методов классификации и по умолчанию присутствует во многих статистических пакетах. Например, он есть в scikit-learn.

На основе этих факторов предлагается построить алгоритм классификации цветков. Фишер решил задачу при помощи линейного дискриминантного анализа — аналога линейной регрессии в применении к задаче классификации. Суть его заключается в подборе такой линейной функции от факторов, чтобы её линии уровня наиболее чётко разделяли категории. Скажем, если значение функции лежит в диапазоне от 0 до 1, то цветок классифицируется как ирис щетинистый, если от 1 до 2 — виргинский, более 2 — разноцветный.

Линейный дискриминантный анализ также применяется в машинном обучении, однако есть и более сложные методы. Например, дата-сайентисты умеют автоматически строить деревья решений, представляющие собой набор правил, при каких значениях факторов к какому классу стоит отнести конкретный пример. Впрочем, отдельные деревья зачастую обладают недостаточной предсказательной силой, поэтому сейчас в основном используются ансамбли деревьев и бустинги — комплексные модели, состоящие из множества небольших слабых моделей. На основании отдельных прогнозов этих моделей формируется итоговый прогноз, который получается более точным, чем у каждого дерева самого по себе.

Ещё один популярный метод решения задач машинного обучения — нейронные сети. Их применение началось ещё в 1948 году, когда американские ученые Уоррен Мак-Каллок и Уолтер Питтс предложили понятия «искусственный нейрон» и «искусственная нейронная сеть». Уже в 1960 году Фрэнк Розенблатт разработал нейронную сеть Марк-1, которая могла распознавать некоторые буквы латинского алфавита. Можно сказать, Розенблатт решал задачу классификации изображений. На фотографии ниже показано, как был устроен ввод данных. Напечатанный символ освещался мощными лампами, а изображение фокусировалось на массив из 20×20 фотоэлементов, образуя изображение из 400 пикселей. У перцептрона был всего один скрытый слой, фотоэлементы подключались к нему случайным образом. Так удалось продемонстрировать возможность перцептрона обучаться без необходимости предварительной точной настройки. Настройка весов слоя была реализована с помощью регулируемого вращающегося резистора, также называемого потенциометром. Он приводился в движение электрическим двигателем, что позволяло автоматически настраивать значение веса с помощью алгоритма обучения.

В последние годы нейронные сети приобрели огромную популярность. Они научились распознавать изображения, писать тексты, рисовать картинки по запросу. На данный момент нейронные сети — наиболее мощный инструмент машинного обучения с точки зрения усвоения сложных зависимостей. Они способны аппроксимировать сколь угодно сложную взаимосвязь между входными данными и целевой переменной, но для этого требуется очень большая обучающая выборка. Для примера: модель GPT-3, на основе которой работает ChatGPT, обучалась на 570 гигабайтах текстов и имеет 175 миллиардов параметров.

AutoML и MLOps

Айтишники настолько любят искать лёгкие пути, что даже ищут лёгкие пути искать лёгкие пути. Существуют фреймворки (например, autogluon и h2o), позволяющие автоматизировать многие задачи, которые обычно решает дата-сайентист. С их помощью можно автоматически настроить предварительную обработку данных, определение типа задачи, обучение разных моделей, отбор лучшей из них и валидацию решения. Методология, в которой автоматизируются вышеупомянутые процессы, получила предсказуемое название — «автоматическое машинное обучение», или AutoML. 

Зачастую от дата-сайентиста требуется не просто однократно обучить модель, а постоянно поддерживать её актуальность (если факторы, на которых она обучалась, постоянно меняются). Таким образом, его работа начинает смещаться в сторону выстраивания ML-процесса, а не просто обучения моделей и интерпретации результатов. От дата-сайентиста часто требуется наладить процесс получения данных из разных источников, настроить пайплайн обучения модели и ее развёртывания, а также автоматического контроля качества её прогнозов и, при необходимости, автоматического запуска переобучения. Эта сфера деятельности получила название MLOps. MLOps подразумевает не просто работу с данными, а выстраивание процесса и его интеграцию с другими процессами в компании.

Скиллы

В целом для дата-сайентиста важны все навыки, которыми должен обладать аналитик данных, но есть и дополнительные требования. Очевидно, что дата-сайентисту необходимо знание методов машинного обучения. Также приветствуется знание облачных технологий, так как обучение моделей — ресурсоемкий процесс, и он часто проходит на внешних кластерах. Кроме того, объем данных, с которым приходится иметь дело дата-сайентистам, часто больше, чем у аналитиков. Работа с большими данными требует знания соответствующих инструментов. 

Для дата-сайентиста важно умение быстро осваивать новые технологии и инструменты. Machine Learning — одна из наиболее динамично развивающихся областей анализа данных, и даже опытным специалистам приходится постоянно учиться. Отдельно стоит упомянуть умение работать в команде. Дата-сайентист имеет дело со сложным процессом, который влияет на множество других процессов и ресурсов в компании, поэтому умение работать сообща с коллегами чрезвычайно важно.

Системный аналитик

Понятие «системный анализ» впервые ввела в употребление американская корпорация RAND в 1948 году. Впрочем, тогда у него было несколько иное значение, а именно — анализ деятельности организации с точки зрения принципов кибернетики. С появлением компаний, занимающихся коммерческой разработкой ПО, под системным аналитиком стал пониматься человек, ответственный за разработку требований к ПО и участвующий в планировании его архитектуры.

В наши дни потребность в системном анализе неуклонно растёт. По мере увеличения сложности программных продуктов всё сложнее заменить системных аналитиков смежными ролями. Системный аналитик выполняет роль связующего звена между бизнесом и разработчиками ПО. Именно он отвечает за то, чтобы продукт выполнял все поставленные перед ним задачи, и составляет технические требования.

Может показаться, что роль системного аналитика похожа на роль менеджера проектов, но это не так. В задачи системного аналитика не входит сопровождение проекта в ходе его выполнения, а менеджер проектов, в свою очередь, принимает технические требования как данность и не занимается их анализом.

Технические требования

Составление технических требований — очень важная обязанность, для выполнения которой требуются высокий уровень технической подкованности и способность говорить с разработчиками на одном языке. Кроме того, системный аналитик должен ориентироваться в предметной области, уметь разглядеть потенциальные проблемные места и отразить их в требованиях.

Отличный пример того, что происходит, когда системный аналитик не доделал свою работу — запуск автоматического расчёта индекса Ванкуверской фондовой биржи.

Индекс Ванкуверской фондовой биржи был установлен в январе 1982 года на уровне 1000. Однако трейдеры стали замечать, что индекс ведёт себя странно. Например, в феврале следующего года, когда цены и объёмы были на максимуме, значения индекса всё равно не преодолели исходную отметку в 1000 пунктов. Как выяснилось позже, это было вызвано неправильным округлением. Индекс рассчитывался с точностью до пяти знаков после запятой, а хранился с точностью до трёх знаков. Однако вместо округления последние два знака просто выбрасывались. Индекс пересчитывался 2800 раз в день, и всякий раз последние две значащих цифры терялись, а ошибка накапливалась. Как следствие: индекс снижался на 1–2 пункта в день. В результате (почти через два года) биржа признала ошибку. Ей пришлось даже нанять консультантов для пересчёта индекса за прошедшие 22 месяца. После выходных 25–28 ноября 1983 года индекс открылся со значения 1098,892 при закрытии в пятницу на уровне 524,811.

Отбрасывание лишних знаков могло бы вполне корректно работать в каком-то другом программном продукте. Однако специфика предметной области требовала округления. Если бы это было заложено в требования на этапе анализа, конфуза можно было бы избежать.

Анализ бизнес-требований

Вот ещё забавный пример. В Швейцарии существуют требования к поездам, в соответствии с которыми они не могут иметь суммарно 256 колёсных осей. Это вызвано тем, что в своё время был допущен недочёт в технических требованиях к датчикам перемещения поездов по пути их следования. 

Дело в том, что датчики считают количество осей у прошедшего поезда. При этом для хранения полученного числа в памяти прибора отведён всего один байт памяти. Одного байта достаточно, чтобы сохранить число от 0 до 255. Это привело к неожиданным последствиям: если поезд имеет ровно 256 осей, то после того как датчик зафиксирует 255 (а это число в двоичном представлении имеет вид восьми единиц), ячейка обнулится после фиксации последней оси. То есть поезд пройдёт незамеченным. При этом иметь 257 осей не запрещено, т. к. в таком случае датчик зафиксирует одну ось, что может быть интерпретировано как 257, ведь поездов с одной осью не существует. 

Этот пример показывает, насколько важна коммуникация системного аналитика с заказчиком. Если бы аналитик догадался поинтересоваться, насколько длинными бывают поезда, курьёзного требования вполне можно было бы избежать.

Скиллы

Среди хард-скиллов можно выделить навыки моделирования процессов и данных. Важно знать виды и уровни моделей данных, а также процессов. Кроме того, необходимо знание основ тестирования и системной интеграции.

Софт-скиллы, необходимые системному аналитику, включают в себя аналитическое и критическое мышление. Иначе не получится эффективно выявлять слабые места в реализации проекта. Важно умение работать с кросс-функциональными командами — системный аналитик, взаимодействуя как с бизнесом, так и с техническими специалистами, по сути работает в очень разношёрстной команде. Также ценятся умение презентовать свои решения и навыки решения комплексных задач.

Бизнес-аналитик

Напоследок поговорим о бизнес-аналитике. Как нетрудно догадаться из названия, его основная задача — обеспечение эффективности функционирования бизнеса. Он подробно изучает бизнес-процессы и убеждается в том, что всё работает оптимальным образом, либо вносит предложения по изменению существующих систем.

Изменение процессов

Одну из наиболее впечатляющих data-driven-систем управления внедрила у себя компания Ford. Всё началось в 2000-х годах с приходом нового генерального директора Алана Малалли, который и стал внедрять такой подход. Исторически на совещаниях каждый старался похвастаться успехами, скрывая неудачи. С приходом Малалли все решения стали приниматься на основе чётких метрик и объективных данных. Со временем для принятия всех решений стали собирать максимум данных из всех возможных источников. Например, данные, полученные от мониторинга социальных сетей, позволили обнаружить неудобное для других участников дорожного движения расположение поворотников и исправить этот недочёт в новых моделях. Для решения, какие модели и в каких комплектациях поставлять дилерам в разных районах разных городов, используются данные об экономической ситуации на местах и прогнозируется спрос.

В наши дни вместо того, чтобы держать собственного бизнес-аналитика, фирмы часто прибегают к услугам консалтинговых компаний. Бизнес-аналитики этих компаний анализируют процессы и дают рекомендации по их оптимизации.

Разработка и внедрение новых решений

Иногда бизнес-аналитик прибегает к оптимизации процесса посредством внедрения новых технологий и разработки специализированных технических решений. Например, в начале 2010-х годов компания McDonald’s существенно изменила один из своих основных процессов: сборку заказов. Изначально сотрудники кухни занимались производством различных бургеров и закусок практически независимо от содержания заказов, а затем складывали готовые блюда в специальные духовые шкафы для хранения. Кассир собирал заказы из того, что было в наличии. Анализ показал, что это приводит к повышению объёмов списаний, большему времени ожидания заказа клиентом, а также к меньшему уровню удовлетворённости, так как заказ нельзя кастомизировать. В итоге решили изменить весь процесс. 

Сейчас заказы собираются по конвейерной системе: кухня готовит только те бургеры, на которые поступил заказ, а каждый сотрудник выполняет свою чётко определённую функцию в этом процессе. Это стало возможно благодаря внедрению IT-системы управления таким конвейером. Каждый сотрудник кухни получает инструкции, какие ингредиенты и куда он должен положить. Инструкции для сотрудников формируются автоматически, исходя из сделанных заказов. 

Новый подход позволил не только уменьшить списания, но и ускорить обслуживание клиентов. Новая IT-система управления стала плодом работы целой команды специалистов, в том числе бизнес-аналитиков.

Скиллы

Для описания решений бизнес-аналитик должен владеть нотациями описания бизнес-процессов, что необходимо для донесения и формализации решений по изменению этих процессов. Также бизнес-аналитику часто приходится работать с большими объёмами данных — например, в Excel. Если объёмы превышают те, с которыми можно там комфортно работать, используется SQL. В случаях, когда проект связан с внедрением новых IT-решений, приходится работать с инструментами прототипирования интерфейсов. Также для бизнес-аналитика важно владение инструментами для управления проектами.

Среди софт-скиллов можно выделить коммуникабельность и интервьюирование, так как бизнес-аналитику приходится много общаться с людьми из самых разных сфер для погружения в бизнес. Важно умение работать в команде и склонность к решению комплексных задач.

Заключение

В статье мы рассмотрели роли аналитика данных, дата-сайентиста, системного и бизнес-аналитиков. Роли аналитика данных и дата-сайентиста чем-то похожи друг на друга, поскольку имеют общие истоки. Тем не менее сейчас они значительно разошлись. 

Аналитик данных работает с датасетами и занимается скорее описательным анализом. Помогает визуализировать информацию, содержащуюся в данных, и делать выводы, на основе которых будут приняты решения. Дата-сайентист же больше работает с методами Machine Learning и использует данные для обучения программных моделей.

Роли бизнес- и системного аналитиков, в свою очередь, тоже близки. Они оба глубоко погружены в особенности бизнеса. Бизнес-аналитик занимается тем, что выявляет точки роста и узкие места в бизнес-процессах, предлагая решения. Системный аналитик, в свою очередь, понимая бизнес-суть предлагаемого решения, обеспечивает его корректную реализацию. В каком-то смысле он принимает от бизнес-аналитика эстафетную палочку.

Спасибо, что дочитали! Надеемся, было интересно. Будем рады пообщаться в комментариях, а если хотите получить более глубокое представление об одной из представленных специальностей, предлагаем ознакомиться с соответствующей программой курсов Яндекс Практикума. 

В этом материале разберем, в чем сходства и отличия 3-х разных профессий: бизнес-аналитика, системного аналитика и Data Analyst’а (аналитика данных) с комментариями руководства BABOK®Guide. Также читайте в нашей статье, может ли один человек совмещать все 3 специализации и в каких случаях это целесообразно.

Кто есть кто в мире аналитики

Если смотреть на современный рынок труда, может сложиться впечатление, что большинство компаний ищут универсального профессионала, который будет совмещать обязанности системного и бизнес-аналитика. Немного особняком стоит аналитик данных, в описаниях вакансий для которого встречаются рабочие задачи ученого по данным (Data Scientist’а) и BI-специалиста. При том, что все перечисленные специализации ориентированы на решение прикладных проблем с помощью анализа, каждая из них имеет свои объекты, методы и средства профессиональной деятельности, которые отличаются друг от друга.

Примечательно, что в России пока официально не существует профессии «аналитик данных» в связи с отсутствием соответствующего профессионального стандарта. Системный и бизнес-аналитик признаны отечественным Министерством труда, о чем свидетельствуют профессиональные стандарты, которые мы рассмотрим далее.

Бизнес-аналитик vs системный: в чем разница

Прежде всего отметим, что обе рассматриваемые профессии очень молодые – им нет еще и 10 лет. Профессиональный стандарт «Системный аналитик» утвержден Приказом Минтруда в 2014 году [1], а «Бизнес-аналитик» – в 2018 [2].

Детальное сравнение этих стандартов показывает основную разницу между системным и бизнес-аналитиком:

• системный аналитик работает с требованиями к программному обеспечению (ПО), автоматизированной или информационной системе, тогда как бизнес-аналитик не ограничивается только этими корпоративными активами, а обеспечивает возможность проведения изменений в организации, которые принесут пользу заинтересованным сторонам (стейкхолдерам) через выявление их потребностей и обоснование оптимальных решений.
• поскольку системный аналитик фокусируется на ПО, стандарт уделяет большое внимание разработке программной документации (техническое задание, программа и методика испытаний, различные аспекты тестирования, регламенты эксплуатации системы), а бизнес-аналитик должен уметь представлять информацию стейкхолдерам комплексно, разными способами и в различных форматах с учетом цели и аудитории, о чем мы писали в этой статье;
• типичные менеджерские задачи (в смысле управления людьми) четче прописаны в стандарте «Системный аналитик» (функция «Оценка квалификации, аттестация и планирование профессионального развития системных аналитиков»), тогда как бизнес-аналитик больше сосредоточен на управлении собственной деятельностью по бизнес-анализу.

Однако, разбирая подробно каждую трудовую функцию, можно выявить множество похожих действий, умений и знаний. Например, следующие задачи в разных профессиональных стандартах отличаются лишь формулировками:

• выявление информации у стейкхолдеров;
• разработка требований к программному обеспечению, которое, в основном, и является решением для удовлетворения потребностей стейкхолдеров в терминах BABOK;
• разработка технико-экономического обоснования и расчет финансовых параметров возможных решений (окупаемость и прочие целевые показатели);
• оценка изменений;
• анализ рисков;
• наглядное представление информации для обсуждения с заинтересованными сторонами.

Таким образом, рабочие задачи системного и бизнес-аналитика пересекаются в области проектирования и внедрения программного обеспечения. Однако, деятельность бизнес-аналитика охватывает предприятие шире, включая изучение и реинжиниринг бизнес-процессов и организационной структуры, а также анализ и разработку стратегии изменений всей организации.

Чем отличаются аналитик данных, BI-специалист и Data Scientist

В отличие от системного и бизнес-аналитика, которые взаимодействуют со стейкхолдерами и прикладными решениями, аналитик данных работает с массивами информации, извлекая из них сведения, ценные для бизнеса с точки зрения принятия оптимальных управленческих решений. Часто аналитик данных работает только со структурированными данными в рамках специализированных дэшбордов BI-систем (Business Intelligence), таких как Power BI, Tableau, Google Data Studio и т.д. В этом случае он выполняет обязанности BI-специалиста, настраивая витрины данных ток, чтобы они наглядно показывали текущие тенденции и важные производственные показатели. Как правило, именно эту картину и принято называть «бизнес-аналитикой» или бизнес-аналитикой данных (Business Data Analytics) в терминологии международного института бизнес-анализа IIBA®, о чем мы упоминаем здесь. Не стоит путать это понятие с бизнес-анализом – рядом задач по выявлению бизнес-проблем, выяснению потребностей заинтересованных сторон, обоснованию решений и обеспечению проведения изменений в организации, как это регламентирует BABOK®Guide и отечественный профстандарт [2].

Если же необходимо проанализировать так называемые «сырые данные» из разных источников и представленные в разных форматах, то Data Analyst выполняет целый комплекс специальных операций [3]:

• сбор данных;
• подготовка данных к анализу (выборка, очистка, сортировка);
• поиск закономерностей в информационных наборах;
• визуализация данных для быстрого понимания имеющихся результатов и будущих тенденций;
• формулирование гипотез по улучшению конкретных бизнес-метрик за счет изменения других показателей.

Иногда аналитик больших данных (Big Data) также занимается разработкой и тестированием моделей машинного обучения (Machine Learning). Однако, в большинстве случаев, Machine Learning является областью ответственности другого Big Data специалиста – исследователя или ученого по данным (Data Scientist’а) [3].

По сравнению с аналитиком данных, Data Scientist больше фокусируется на автоматизации процессов сбора и подготовки информации, включая построение так называемых конвейеров обработки данных (data pipeline). Эти задачи пересекаются с работой инженера данных (Data Engineer) и требуют владения технологиями Big Data (Apache Hadoop, Spark, Kafka), облачными вычислениями и инструментами разработки программного обеспечения, включая навыки построения распределенных приложений и опыт быстрого развертывания решений с помощью современного DevOps-инструментария [4].

Подводя итог описанию различных профессий в области анализа, отметим, что на практике в небольших компаниях все эти специализации могут совмещаться и выполняться одним человеком. Однако, в крупных проектах и больших корпорациях обычно присутствует профильное разделение, т.к. из-за огромного объема работ «пропускная способность» одного человека не позволяет ему обеспечить качественное выполнение всех задач. Кроме того, сегодня также можно встретить продуктового и веб-аналитика, о которых мы рассказываем здесь и здесь.

Если вы все-такие не до конца уяснили отличия системного и бизнес-аналитика, читайте нашу новую статью с наглядным примером. А разобраться с основами системного и бизнес-анализа в прикладном смысле, в т.ч. с точки зрения руководства BABOK®Guide на практических примерах вам помогут курсы нашей Школы прикладного бизнес-анализа в лицензированном учебном центре обучения и повышения квалификации системных и бизнес-аналитиков в Москве:

• Лучшее из BABOK®Guide: ТОП-10 задач и техник для аналитика
• Управление бизнес-анализом – курс для руководителей

Источники

1. Профессиональный стандарт «Системный аналитик» http://fgosvo.ru/uploadfiles/profstandart/06.022.pdf
2. Профессиональный стандарт «Бизнес-аналитик» http://fgosvo.ru/uploadfiles/profstandart/08.036_1.pdf
3. Кто такой Data Analyst в Big Data: что нужно знать аналитику данных https://www.bigdataschool.ru/bigdata/data-analyst-big-data.html
4. Data Analytics and Data Science: сходства и различия https://chernobrovov.ru/articles/analitika-dannyh-i-data-science-shodstva-i-razlichiya.html

Какая специальность вам подходит — аналитик данных (data analyst) или бизнес-аналитик (business analyst)?

В небольших организациях эти должности могут быть совмещены в одном человеке. Однако в крупных организациях часто работают аналитики данных и бизнес-аналитики, поэтому важно понимать разницу между двумя профессиями.

Хотя аналитики данных и бизнес-аналитики работают с данными, основное отличие заключается в том, что они делают с ними. Бизнес-аналитики используют данные, чтобы помочь организациям принимать более эффективные бизнес-решения, в то время как аналитики данных больше заинтересованы в сборе и анализе данных для бизнеса.

Получить консультацию о выборе специальности 

«Проще говоря, данные — это средство для бизнес-аналитиков, а данные — конечная цель для аналитиков», — говорит Мартин Шедлбауэр, профессор и директор программ в области информации и наук о данных, в том числе программ магистратуры магистра Master of Science in Computer Science и Master of Science in Data Science американского университета Northeastern.

Так какой путь карьеры вам подходит: аналитик данных или бизнес-аналитик? Чтобы определить это, вам необходимо учитывать три фактора: ваш образовательный и профессиональный опыт, интересы, карьерные ожидания.

Учитывайте свой предыдущий образовательный и профессиональный опыт

Бизнес-аналитики и аналитики данных, как правило, имеют различную образовательную и профессиональную подготовку, говорит Блейк Ангов, директор по технологическим сервисам рекрутинговой компании LaSalle Network.

Например, бизнес-аналитики (также иногда называемые системными аналитиками) обычно получают степень бакалавра по специальности бизнес. Они в основном используют данные, чтобы сделать бизнес-операции более эффективными. Они обладают знаниями, но зачастую не являются экспертами по различным языкам программирования.

«Бизнес-аналитики могут брать требования бизнеса и работать между бизнесом и технической командой над разработкой, например, программного пакета или внедрением новой CRM-системы», — говорит Ангов.

Получить консультацию о выборе специальности 

Аналитики данных, с другой стороны, работают с большими наборами данных все время. Их задача — выявлять тенденции, готовить материал в виде графиков и диаграмм для принятия решения бизнесом. Эти специалисты, как правило, являются специалистами STEM и часто имеют ученую степень и обширный опыт работы в области математики, естественных наук, программирования, баз данных, моделирования и прогнозной аналитики.

Учитывайте свои интересы

Вам нравится работать с цифрами? Или вы прирожденный коммуникатор, который найдет решение любой задачи?

По словам Шедлбауэра, бизнес-аналитикам нравится работать в корпоративном мире, и они больше заинтересованы в поиске путей решения проблем. Например, им может быть поручено исследовать, организовывать и контролировать внедрение нового рабочего процесса. Эти люди часто являются прирожденными коммуникаторами — и письменные, и устные навыки необходимы, поскольку они должны объяснять техническую составляющую всем участникам процесса и быть понятым.

Аналитики данных — это люди, которые живут в мире цифр. Они обычно хороши в таких областях, как статистика и программирование. Являясь держателями и работая с базами данных, они извлекают из них информацию, нужную бизнесу. По словам Шедлбауэра, для аналитиков данных также важно иметь интерес и глубокое знание отрасли, в которой они работают.

Подумайте о своей карьере

Хотя бизнес-аналитики и аналитики данных имеют некоторые общие черты, они различаются по зарплате и возможному карьерному росту.

Поскольку бизнес-аналитики не обязаны обладать такими же глубокими знаниями в области программирования, как аналитики данных, должности начального уровня платят несколько меньшую зарплату, чем аналитики данных, поясняет Ангов. По данным PayScale, зарплата бизнес-аналитика, работающего в сфере IT, составляет в среднем 67194 доллара (рынок США).

«У бизнес-аналитиков, однако, существует определенный потолок с точки зрения продвижения и зарплаты», — говорит Ангов. «Старшие бизнес-аналитики в итоге получат около 100 000 долларов».

Для того, чтобы перейти к роли аналитика необходимо дополнительное обучение и навыки.
Аналитики данных, с другой стороны, имеют более высокий потенциал заработка и больше возможностей для карьерного роста, говорит Ангове. Поскольку эти специалисты работают в основном с базами данных, есть возможности для развития с приобретением дополнительных навыков, таких как изучения инструментов для работы с данным R и Python. Кроме того, аналитики данных могут легко перейти на карьеру разработчика или научную деятельность при наличии ученых степеней.

Подведя итог

Несмотря на различия между аналитиками данных и бизнес-аналитиками, у людей обеих профессий есть многообещающее будущее.

Получить консультацию о выборе специальности

«Сейчас обе специальности  пользуются спросом», — говорит Ангов. «Работа с данными является важной зоной роста для многих компаний. И востребованность в квалифицированных кадрах велика».

Где можно изучать специальности, связанные с анализом данных:

Университеты Великобритании

• City, University of London
• Glasgow Caledonian University
• University of Brighton
• University of Essex
• University of Liverpool

Университеты США

• Arizona State University, Tempe Campus
• Drew University
• George Mason University
• Northeastern University
• Oregon State University
• The University of Alabama at Birmingham
• University of Central Florida
• University of Illinois at Chicago
• University of Massachusetts Boston
• University of the Pacific
• University of South Carolina

Приглашаем на консультацию по выбору программы и поступлению в зарубежные университеты и колледжи. У сотрудников Unimind есть успешный опыт зачисления студентов в учебные заведения США, Канады, Великобритании, Нидерландов:

• University of Warwick
• University College London
• London School of Economics and Political Sciences
• Kings College London
• University of St. Andrews
• University of Exeter
• University of Leeds
• University of Glasgow
• University of Reading
• City University
• Newcastle University
• University of British Columbia
• University of Toronto
• Simon Fraser University
• Northeastern University
• New York University
• University of Massachusetts
• University of Miami
• University of Amsterdam
• Delft University of Technology
• Eindhoven University of Technology
• University of Groningen
• Maastricht University.

и многие другие.

+38 097 797 35 79
Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.
Unimind, 15 лет опыта в сфере образования за рубежом

Business Intelligence: 

The term Business Intelligence (BI) alludes to advances, applications, and hones for the collection, integration, examination, and introduction of business data. The reason for Commerce Insights is to bolster superior trade choice making. Basically, Trade Insights frameworks are data-driven Decision Support Systems (DSS). Business Intelligence is now and then utilized traded with briefing books, reports and inquiry instruments, and official data frameworks. Business Intelligence frameworks give authentic, current, and prescient sees of commercial operations, most frequently utilizing information that has been assembled into an information stockroom or an information shop and sometimes working from operational information. 

Advantages of Business Intelligence:

• BI is focused on providing insights based on historical data, allowing businesses to understand trends and patterns in their operations.
• BI provides a comprehensive view of the organization’s operations, allowing managers to understand performance across multiple departments and functions.
• BI can help identify opportunities for cost reduction and process improvement, leading to increased efficiency and profitability.

Disadvantages of Business Intelligence:

• BI is focused on historical data, which may not provide an accurate picture of current or future conditions.
• BI can be resource-intensive, requiring significant investment in data collection and processing, as well as specialized software and hardware.
• BI may not provide the level of detail or granularity needed to address specific business challenges.

Data analytics: 

Data analytics (DA) is that the strategy of analyzing information sets to conclude the data they contain, continuously with the assistance of particular frameworks and computer program bundle. Information Analytics strategies are generally utilized in IT Companies to improve the associations to make more-information organization choices and by researchers and analysts to test or diverse logical models, standards, and information. 

Advantages of Data Analytics:

• DA is focused on providing insights based on both historical and real-time data, allowing businesses to understand trends and patterns in their operations in real-time.
• DA provides a more granular view of the organization’s operations, allowing managers to identify trends and insights that may not be visible with traditional BI methods.
• DA can help organizations optimize their operations by analyzing data from various sources and identifying areas for improvement.

Disadvantages of Data Analytics:

• DA can be more challenging to implement than traditional BI methods, requiring advanced data processing and analytics technologies.
• DA requires significant expertise in data science, making it more difficult for organizations to build and maintain a capable team.
• DA can be resource-intensive, requiring significant investment in data collection and processing, as well as specialized software and hardware.

Similarities between Business Intelligence and Data Analytics: 

• Both BI and DA involve the use of data analysis to provide insights that can help organizations make better decisions.
• Both approaches use advanced statistical and mathematical models to analyze data.
• Both approaches require significant expertise in statistical analysis and data science.

Below is a table of differences between Business Intelligence and Data Analytics: 

.Difference-table { border-collapse: collapse; width: 100%; } .Difference-table td { text-color: black !important; border: 1px solid #5fb962; text-align: left !important; padding: 8px; } .Difference-table th { border: 1px solid #5fb962; padding: 8px; } .Difference-table tr>th{ background-color: #c6ebd9; vertical-align: middle; } .Difference-table tr:nth-child(odd) { background-color: #ffffff; } 

Business Intelligence	Data Analytics
Business Intelligence alludes to the data required to upgrade commerce decision-making activities.	Data Analytics alludes to altering the crude information into a significant arrange.
The prime reason of business intelligence is to supply back in choice-making and offer assistance the organizations to develop their business.	The prime reason for data analytics is to demonstrate, cleanse, foresee and change the information as per the trade needs.
Business Intelligence can be executed utilizing different BI devices accessible within the advertisement. BI is executed as it were on Verifiable information put away in information distribution centers or data marts.	Data analytics can be executed utilizing different data storage devices accessible within the advertisement. Information analytics can moreover be actualized utilizing BI devices but it depends on the approach or methodology outlined by an organization.
BI component can be repaired as it were through verifiable information given and the conclusion client requirements.	Data Analytics can be repaired through the proposed show to change over the information into a important organize.
The term Business Intelligence has come into presence in 1865.	Data analytics has been around since19th century, but it has developed its conspicuousness in 1960’s.
Business Intelligence, on the other hand, is actualized in a circumstance where an organization doesn’t have any changes to its current trade demonstrate and its prime reason is to meet organizational goals	Data Analytics is executed in a circumstance where an organization is moderately unused and needs critical changes to its commerce model.
Business Intelligence (BI) Tools incorporate: Klipfolio, InsightSquared Deals Analytics, ThoughtSpot, TIBCO Spotfire, Alteryx Stage, Domo, Cyfe, Sisense, Looker, Microsoft Control BI.	Data analytics tools are Tableau Public, SAS, Apache Spark., Excel., RapidMiner, KNIME, QlikView.
Key skills for business intelligence are Data collection and Management, Data Stockroom concepts, Understanding of diverse data sources and exchange applications, Domain and business information.	Key skills for a data analysis A tall level of scientific ability, Programming languages, such as SQL, Oracle, and Python, The capacity to analyze, demonstrate and translate data, Problem-solving skills.

Conclusion:

 Business Intelligence and Data Analytics are two important approaches to data analysis, with significant differences in their focus, scope, techniques, time horizon, and applications. Business Intelligence is focused on analyzing historical and current data to provide insights into business operations and performance, while Data Analytics is focused on analyzing data to uncover insights, trends, and patterns. Both approaches have their strengths and weaknesses, and organizations can benefit from using a combination of both to gain a comprehensive understanding of their business operations and to make better decisions

• Различия между аналитикой данных и бизнес-аналитикой

Различия между аналитикой данных и бизнес-аналитикой

Аналитика данных в большей степени ориентирована на технические аспекты, чем другие, с точки зрения технических навыков, так как аналитик данных будет заниматься ручной очисткой данных, очисткой данных, поиском корреляций и т. Д. Аналитик данных хотел бы испачкать руки на любом из новейших инструментов. там и проверить его / ее данные на инструменте и посмотреть, какие идеи он / она может извлечь из него.

Бизнес-аналитика, с другой стороны, является своего рода более ориентированной на процессы / функциональной ролью, где бизнес-аналитик будет изучать повседневную деятельность компании. Генеральный директор / CMO не поймет, что такое корреляция или какие переменные действительно имеют вес для функции преобразования, следовательно, бизнес-аналитик. Бизнес-аналитик должен уметь интерпретировать терминологию аналитика данных и использовать их для представления своим руководителям. Бизнес-аналитик также займется оптимизацией и также вызовет шорты для модернизации / оптимизации любых моделей в компании / кампании.

Ниже приводится выдержка из Википедии для определения аналитика данных:

«Анализ данных — это процесс проверки, очистки, преобразования и моделирования данных с целью обнаружения полезной информации, предложения выводов и поддержки принятия решений. Анализ данных имеет несколько аспектов и подходов, охватывающих различные методы под различными именами в различных областях бизнеса, науки и социальных наук ».

Если мы примем определение, данное IIBA (Международный институт бизнес-анализа), то следующее определяет бизнес-аналитику:

«Бизнес-аналитик является агентом перемен. Бизнес-анализ — это дисциплинированный подход к внедрению и управлению изменениями в организациях, будь то коммерческие предприятия, правительства или некоммерческие организации.

Бизнес-анализ используется для выявления и формулирования необходимости изменений в работе организаций и содействия этим изменениям. Как бизнес-аналитики, мы определяем и определяем решения, которые максимизируют ценность, которую организация предоставляет заинтересованным сторонам. Бизнес-аналитики работают на всех уровнях организации и могут быть вовлечены во все: от определения стратегии до создания архитектуры предприятия, до принятия руководящей роли путем определения целей и требований к программам и проектам или поддержки непрерывного совершенствования технологий и процессов. »

Сравнение лицом к лицу между Data Analytics и Business Analytics

Ниже приводится сравнение 8 лучших данных между Data Analytics и Business Analytics.

Ключевые отличия Data Analytics от Business Analytics

Ниже приведены списки точек, описывающих ключевые различия между аналитикой данных и бизнес-аналитикой.

• Ключевыми задачами бизнес-аналитика будет проверка требования, оценивающего его с точки зрения операций и функций, тогда как аналитик данных будет анализировать данные только с точки зрения сбора, обработки и анализа данных.
• Бизнес-аналитик выполняет все требования, определяя и расширяя требования, а затем назначает задачи разработчикам для разработки кода, тогда как аналитик данных будет готовить диаграммы инструментальных панелей или различные визуализации, которые помогут высшему руководству принимать вызовы. что должно быть сделано дальше.
• Бизнес-аналитик будет исследовать и пытаться получить ценную информацию из данных, поиск оптимальной модели для бизнеса также лежит на бизнес-аналитике, тогда как аналитик данных будет концентрироваться на разработке новых алгоритмов или оптимизации уже разработанных алгоритмов.
• Давайте возьмем пример и попробуем провести различие между ними:

1. У нас есть исследование, в котором телекоммуникационная компания должна разделять своих клиентов, чтобы найти нежелательных клиентов или, скажем так, уровень оттока. Бизнес-аналитик попросит разработчиков построить модели, предоставив им все необходимые данные, а затем попытаться оценить, какая модель лучше всего описывает.

2. В то время как аналитик данных будет заботиться об очистке данных, преобразовании данных так, чтобы они могли достаточно хорошо подходить для модели, настройке модели для получения лучших результатов, построении визуальных выводов, чтобы сделать модель легко понятной.

Сравнение аналитики данных и бизнес-аналитики

Ниже приведен список точек, которые показывают сравнение между Data Analytics и Business Analytics.

ОСНОВА ДЛЯ СРАВНЕНИЯ	Бизнес-аналитика	Аналитика данных
фокус	Бизнес-аналитик будет отвечать за составление отчетов, матрицу KPI (Key Performance Index), тренды в данных, которые помогут организации	Аналитик данных будет просто играть с данными, чтобы найти закономерности, корреляции и даже построить модели, чтобы увидеть, как данные реагируют на его / ее модели.
Процесс	Бизнес-аналитик проведет статическое и сравнительное исследование данных.	Аналитик данных проведет объяснительный анализ, а затем попытается поэкспериментировать с процессами интеллектуального анализа данных, чтобы обеспечить хорошее визуальное представление данных.
Источники данных	Бизнес-аналитики заранее планируют свои источники данных относительно того, что все необходимо, а что следует исключить, что является медленным процессом.	Аналитик данных находит корреляцию для некоторых данных, которые не являются частью его более раннего набора данных, тогда он / она будет добавлять источник данных на лету по мере необходимости.
преобразование	Бизнес-аналитик преобразует данные заранее, что тщательно спланировано.	Все преобразования выполняются в базе данных, и всякий раз, когда есть потребность в обогащении данных, это делается на лету.
Качество данных	Бизнес-аналитик всегда представляет данные как единую версию правды	Бизнес-аналитик будет использовать фразу «достаточно хорошо» или теоретически с вероятностями
Модель данных	Бизнес-аналитик будет использовать схему для модели данных нагрузки	Аналитик данных будет использовать схему для модели данных запроса.
Анализ	Ретроспективный, описательный	Предсказательный, предписывающий
поле	Подмножество компьютерных наук и управления, где изучение данных осуществляется с использованием различных методов и технологий	Охватывает всю технологическую область, которая является надмножеством Data Science

Вывод — Data Analytics против Business Analytics

Поскольку бизнес-аналитик действует поверх аналитика данных, здесь можно увидеть состав заработной платы двух профилей:

В приведенной ниже таблице показана средняя заработная плата бизнес-аналитика.

В то время как аналитик данных будет иметь среднюю зарплату в диапазоне от 65 до 97 тыс. Долларов

Чтобы сделать вывод, это зависит от интересов человека, если он / она хорошо разбирается в технических вещах, он / она занимается аналитикой данных или если он / она хорошо разбирается в функциональных областях / процессах, то он / она может пойти с частью бизнес-аналитики,

Каждый из них имеет свои преимущества с точки зрения концептуальных вопросов, роста и развития в области науки и техники, а расширяющемуся технологическому миру необходимо больше этих областей для дальнейшего роста и создания неординарных изобретений, которые облегчают не только жизнь человека, но и спасает нашу атмосферу также для будущих поколений, чтобы вести гладкую и счастливую жизнь.

Рекомендуемая статья

Это было руководство по различиям между аналитикой данных и бизнес-аналитикой, их смыслом, сравнением на равных, ключевыми отличиями, сравнительной таблицей и заключением. Вы также можете посмотреть следующие статьи, чтобы узнать больше —

1. Знайте 5 самых полезных отличий облачных вычислений от аналитики данных
2. Узнайте 14 удивительных отличий Data Science от Data Analytics
3. Data Scientist vs Business Analyst — узнайте 5 удивительных отличий
4. Data Scientist против машинного обучения — какой из них лучше
5. 6 различных этапов процесса интеллектуального анализа данных

Аналитики собирают данные об эффективности бизнеса, составляет статистические отчеты, определяют области, требующие улучшения, и создают рекомендуемый план оптимизации процессов.

Но само понятие профессия аналитик очень широкое. У аналитиков, как и у врачей или инженеров, есть деление на узконаправленные специализации, ведь один человек не может хорошо разбираться во всех вопросах сразу.

Какие же бывают аналитики и что именно они анализируют? Сейчас разберёмся.

Бизнес аналитик

Самая популярная специальность. Если вы введете в поисковике вакансии работы аналитиком, то бизнес аналитик точно будет среди самых первых предложений.

Бизнес-аналитик помогает найти IT-решения под текущие нужды бизнеса. Разбирается в текущих бизнес-процессах, следит за эффективностью внедряемых решений. Независимо от того, связаны ли они формально с корпорациями или выступают в качестве внештатных консультантов, системные аналитики работают с пользователями программ и платформами для определения проблем. Эта роль требует коммуникативных навыков и навыков межличностного общения, а также понимания современных стандартов и новых технологий.

Аналитик данных

Эта профессия тесно связана с IT сферой. Такие аналитики не только работают с информационными массивами, но и выполняют следующий набор функций:

Эти процессы необходимы аналитику данных для грамотного выполнения своей главной задачи — извлечения из баз данных информации, ценной для бизнеса и способствующей принятию оптимальных управленческих решений.

Аналитик финансов

Как понятно из названия, эти специалисты изучают и анализируют как внутренние финансы компании, так и финансовые показатели партнеров, конкурентов или стартапов, в которые компания хочет инвестировать.

В частности, финансовые аналитики исследуют макроэкономические и микроэкономические условия наряду с фундаментальными показателями компании. По полученным результатам делается прогноз относительно предприятий, секторов и отраслей. Также профессионалы в этой области рекомендуют курс действий по покупке или продаже акций компании, исходя из ее общих показателей и перспектив.

Системный аналитик

Специалисты этой сферы занимаются оптимизацией работы пользователей с программным обеспечением. Формируют из требований от бизнеса техническое задания для разработки. Напрямую общается с отделом разработки и бизнес-аналитиком. Готовит инструкцию по дальнейшему использованию IT-решения. Владеет техническими навыками в отличии от бизнес-аналитика.

Веб-аналитик

Эти работник обычно несут ответственность за анализ, обслуживание и затраты на веб-разработку. На них также возложено принятие решений, основанных на укомплектовании персоналом, закупке оборудования и новых технологий, связанных с развертыванием веб-сайтов и веб-разработкой. В обязанности специалиста входит:

Аналитик 1С

1С — целое семейство программ, которое помогает автоматизировать бизнес. На территории СНГ это самый популярный софт для автоматизации бизнеса, поэтому он требует своего типа аналитиков.

У этих специалистов должен быть очень широкий кругозор для понимания бизнеса клиентов и выбора 1С-программы, закрывающей потребности заказчика или работодателя. Помимо этого они должны знать и уметь обращаться со всеми продуктами семейства, а также понимать и анализировать их показатели.

Аналитик маркетплейсов (Wildberries и тд)

Wildberries — самый популярный маркетплейс на территории России. Он облегчил многим людям путь к предпринимательству и открытию своего магазина. Но, как и любой другой бизнес, он связан со многими показателями, которые нужно анализировать и менять в случае надобности.

Аналитики Wildberries помогают различным онлайн магазинам со сбором и анализом данных для выбора бизнес-метрики, блягодаря которой работа с данным маркетплейсом станет успешнее.

SMM-аналитик

Данный специалист отвечает за реализацию стратегий для клиентов в социальных сетях. SMM-аналитик может быстро понять и поддержать инициативу, которая поспособствует достижению целей и приведет успеху клиентскую кампанию, характерную для социальных сетей.

Продуктовый аналитик

Профессионалы в этой области проводят исследования рынка и анализируют рыночные данные, выявляя тенденции и поведение потребителей. Основываясь на проведенном анализе, они дают рекомендации и предлагают стратегии, способные увеличить прибыльность фирмы. Продуктовые аналитики следят за производительностью продукта и рекомендуют изменения, необходимые для соответствия прогнозам продаж.

BI-аналитик

Знание того, как правильно собирать и интерпретировать данные, может существенно повлиять на успех бизнеса. BI-аналитики просматривают данные для составления финансовых отчетов и отчетов о состоянии рынка. Полученная информация используются для выявления закономерностей и тенденций, которые могут повлиять на деятельность компании и ее будущие цели.

UX-аналитик

Это специалист изучает цифры и данные, благодаря которым можно улучшить вовлеченность потребителей для конкретного веб-сайта, приложения или программного обеспечения. Они работают с такими категориями, как удержание клиентов и тенденции доходов, а также определяют наилучший способ создания реалистичных целей и методы их достижения.

UX-аналитик разрабатывает дизайн пользовательского интерфейса и макеты, которые имитируют фактическое взаимодействие пользователя с цифровым сайтом. Они участвуют в общей стратегии увеличения охвата веб-сайта или другого цифрового проекта. Аналитики User Experience знакомы с исследованиями поведения потребителей, психологией и новейшими передовыми практиками UX.

Game аналитик

Гейм-аналитик собирает данные о поведении игроков. С помощью метрик он оценивает азарт и баланс игры, находит точки роста. Его работа позволяет предсказать действия игрока и прибыльность продукта.

Исследовательская работа по анализу сеттинга, жанра, активностей и монетизации любой игры. Game аналитик находит инсайты, как улучшить монетизацию. Разрабатывает динамический дашборд с ключевыми метриками игры на основе реальных данных. Узнает, как привлекать пользователей и оценивать эффективность маркетинга. Изучает задачи аналитики: делает расчёт и визуализацию ключевых метрик, оценку баланса и гейм-дизайнерских фич, стратегии поисковых исследований.

Аналитик качества данных

Они отслеживают качество данных, на основе которых организации принимают обоснованные решения. Эти специалисты исследуют сложные данные, чтобы оптимизировать их эффективность и качество. Также в функционал входит решение проблем качества данных и сотрудничество с разработчиками баз данных для улучшения систем и проектов баз данных.

Заключение

Теперь вы знаете, на какие специализации делится такая большая профессия, как аналитик. Многие из них схожи, и вы легко сможете перейти из одной в другую на карьерном пути, но есть и более узконаправленные, выделяющиеся из общего потока.