Аналитика — это процесс превращения любых данных в полезную информацию. С помощью полученной информации можно точнее влиять на ключевые показатели бизнеса. А решения, принятые на основе аналитики, как правило с большей вероятностью ведут к успеху. В этой статье мы расскажем о том, как работать с командой аналитиков максимально эффективно, какую роль играют аналитики данных в развитии компании, а также каких специалистов вам стоит нанимать и на каких этапах развития бизнеса.

Кто такие специалисты по работе с данными

ETL-специалист — занимается выгрузкой, преобразованием и загрузкой данных из разных источников для предоставления в нужных форматах разным специалистам.

Специалист по Big Data — проектирует и создает хранилища и базы для хранения больших данных, которые можно масштабировать.

Data Engineer — выстраивает и сопровождает процессы накопления, сбора и преобразования данных. Как правило отвечать за скорость и удобство работы с данными.

Data analyst (аналитик) — занимается непосредственно анализом данных, делает выводы на имеющихся данных, проводит АБ-тесты.

BI-analyst — отвечает за бизнес-ориентированный анализ данных и построение качественной отчетности, визуализацию.

Специалист по Machine Learning (машинному обучению) — разрабатывает и внедряет алгоритмы машинного обучения в программное обеспечение.

Data scientist — это специалист широкого профиля, он обладает экспертизой и в машинном обучении, и в аналитике, развивает data-driven продукты, позволяющие принимать решения на основе данных.

Большинству компаний вряд ли разом понадобятся все специалисты. Часто один человек вполне может владеть компетенциями смежной позиции и вынужден исполнять сразу несколько ролей. Например, в Aviasales data analyst’ы и разработчики успешно выполняют функции data scientist’ов и BI-analyst’ов, которые стоят рядом с data engineer и специалистами по Machine Learning. В задачи того же дата-сайентиста входит прогнозирование цен авиабилетов на основе данных, которые уже есть — как на следующий месяц, так и на следующий год (в их арсенале есть для этого анализ временных рядов и предиктивные модели). Бизнес-аналитик делает наглядные дашборды — мы заработали столько-то, у нас такая-то прибыль за неделю, месяц, год и т. д. Еще пример: в TalentTech работает дата-сайентист и при этом отлично разбирается в hands-on аналитике. А подчинение BI-analyst’ов может даже быть не финдиректору, а директору по маркетингу — как это устроено в одном из алкогольных гигантов.

Обычно формирование команды начинается с аналитика данных. Он может быть начинающим либо обладать большой экспертизой. Все зависит от размеров компании, специфики и бюджета. На hh.ru средняя зарплата в районе 100–320 тыс. руб. Но это далеко не предел.

Если мы говорим о сильных специалистах, которые живут в России, многие из них уже работают в крупных российских или западных компаниях, поэтому их зарплаты существенно отличаются от ожиданий российского рынка. Виктор Кантор, эксперт по машинному обучения из «Яндекс.Такси» утверждает: «Крутой data scientist получает как генеральный директор средней компании».

По нашим оценкам на 2019 год рынок специалистов с сильными компетенциями выглядит так:

Не обязательно создавать отдел аналитики с нуля или искать нового сотрудника. В аналитиков могут вырасти ваши разработчики, которым под силу работа с данными.

Какие задачи решают аналитики

Живой пример. Допустим, у вас есть интернет-магазин, который генерирует определенную прибыль и имеет клиентов. Вы покупаете рекламу, делаете email-рассылки, PR и т. п. Но действующий штат сотрудников без аналитика не совсем четко понимает, куда двигаться дальше, кажется что во всех каналах достигнут «потолок». Часто информация о том, кто заходит на сайт, как часто, сколько времени проводит, какая страница самая посещаемая, легко ли вообще купить ваш товар, как работает рассылка и др., помогает существенно улучшить ситуацию. Всю эту статистику сможет собрать аналитик.

Часто получить кратный рост позволяет глубокое понимание вашей аудитории. Аналитик собирает данные из различных источников — web-аналитики («Яндекс.Метрика» и/или Google Analytics), платформ по рассылке, CRM — и создает еще одно независимое хранилище с данными, чтобы в онлайн-режиме отслеживать специфические метрики на дашборде компании для принятия важных продуктовых решений и тем самым повышая прибыль компании в перспективе.

! Дашборд — это панель с визуализацией данных. Чаще всего это выглядит как иллюстрация важнейших метрик с инфографикой.

Аналитик сможет навести порядок в данных. Он сделает отчеты, сформирует гипотезы и поделится данными, например, с отделом маркетинга простым языком: к нам приходят вот такие посетители, такие-то каналы работают хорошо — нужно больше с ними работать, такие-то плохо — их исключить, рассылка абсолютно неэффективная — люди не кликают на товары и многие даже не открывают письмо.

Однако для начала можно обойтись собственными силами. Мы условно распределили этапы развития бизнеса — подчеркиваем слово «условно», потому что здесь все сильно зависит от специфики компании и бюджета.

Стартапы и небольшие компании (10-30 чел.)

На этом этапе, как правило, затраты на отдельного аналитика могут не окупиться. Поэтому лучше никого не нанимать. Специалисты внутри отделов могут самостоятельно изучить базовые инструменты аналитики. Единственное, что может вам понадобиться — это привлечение консультанта для организации работы и несколько часов у разработчика для установки и технической интеграции разных систем. Поначалу важны именно ваше видение процессов и базовая статистика без какой-либо сложной аналитики.

Cредняя компания (30-100 чел.)

На данном этапе рекомендуем нанять сильного аналитика, поскольку, как правило, компания уже не может расти, принимая решения на глаз, а любая ошибка стоит существенных денег. Аналитик должен уметь работать с данными и делать прогнозы. А также у него должен быть потенциал, чтобы в будущем сформировать команду под ключевые аналитические функции. Присмотритесь к аналитикам широкого профиля.

Крупная компания (100-300 чел.)

На этом этапе происходит важное разделение специалистов. Сфокусируйте задачи аналитиков широкого профиля на конкретных направлениях. Data engineers, ETL-специалист, специалисты по Big Data занимаются инфраструктурой и предоставляют качественные данные другим аналитикам, которые уже ответственны за более прикладные задачи: анализ и построение продуктов на основе данных.

Для построения отдела с разделением на направления нужно четко структурировать все процессы, связанные с аналитикой, внутри компании. Также теперь целесообразно начать применять машинное обучение, так как на больших масштабах его внедрение приносит заметную прибыль.

В очень крупной компании, как правило, помимо отдела аналитики, работают также отдельные аналитики и data scientist’ы внутри каждой продуктовой команды. Специалисты внутри команд помогают быстро решать локальные задачи отделов. А отдел аналитики отвечает за общий рост бизнеса и обслуживает всю инфраструктуру, связанную с данными, создает глобальные проекты, которыми пользуются разные отделы.

Резюме

  1. Аналитика нужна всегда;
  2. Чем меньше компания, тем важнее фокусироваться на простых и бесплатных инструментах аналитики. Чем больше компания, тем более требовательными нужно быть к качеству анализа данных;
  3. Команду аналитики стоит развивать эволюционно, так чтобы каждый найм сотрудника был направлен на решение конкретной задачи.

Автор статьи — эксперт курса «Аналитика для руководителей» в «Нетологии», член экспертного совета премии Рунета и консультант по монетизации данных.

Версия для печати (без изображений)