Как изменилась работа аналитика данных за последние три года

Информацию часто называют новым золотом, нефтью и другими ценными ресурсами, которые изменили мир. Но с тех пор, как эти слова прозвучали впервые, индустрия работы с данными сильно поменялась. Директор Data & Analytics PARI Алексей Диков рассказывает, какой путь прошла эта сфера за последние три года: от требований к кандидатам до ежедневной рутины.

Большие данные - большая возможность. Сегодня бизнес пришел к пониманию, что чем лучше развита аналитика, тем легче реализовывать конкурентные преимущества. Можно быстро понять, что нужно делать, и так же быстро оценить, к чему это привело. Цикл тестирования решений сокращается, поэтому компания может действовать быстрее и обгонять конкурентов.

Также аналитика данных позволяет предлагать новые продукты и услуги с использованием данных. Например, футбольный клуб-партнер может определять IP клиентов и рассылать SMS-уведомления с информацией о скидках в фан-шопе людям, приходящим на стадион. Чтобы реализовать такое решение, нужно разобраться в огромном массиве данных и выделить те, которые покажут, что человек зашел в спортивное сооружение, а не гуляет в паре километров от него. А после эти данные отдать заинтересованной стороне. Это огромный пласт работы команды инженеров по данным и специалистов в обработке больших массивов информации, но в результате компания получает возможность точнее и качественнее попадать в желания клиентов, что приводит к росту финансовых метрик. И подобных решений множество.

Отношение бизнеса к аналитике стало осмысленнее

Data & Analytics на сегодняшний день - это стратегический инструмент в работе любой компании. У бизнеса и раньше не было сомнений, что данные могут быть полезны, но сейчас оформилось понимание их стратегической ценности. Причем малый и крупный бизнес относятся к работе аналитиков по-разному, поэтому их задачи тоже различаются.

• В небольших компаниях работа с данными сфокусирована вокруг текущей выручки. У такого бизнеса нет возможности вкладывать много средств в стратегические инструменты, так как нужно в короткие сроки выйти на самоокупаемость и сделать ряд очевидных вещей, чтобы быть жизнеспособными.

• В средних и больших организациях, когда все очевидное давно сделано, фокус на оптимизации процессов, чтобы другие департаменты быстрее, проще, удобнее зарабатывали деньги. Здесь компании развивают дата-аналитику как конкурентное преимущество бизнеса в целом.

Изменение отношения к индустрии в целом изменило и запрос бизнеса. Рынок стал более зрелым: теперь команды по дата-аналитике выведены из CRM- и маркетингового контура и работают в рамках IT-контура. С такими продуктами у них гораздо больше общего.

Также бизнес стал более четко формировать запрос к аналитикам, что изменило подход к рекрутингу. Теперь компании ищут людей с определенной специализацией под закрытие конкретных задач, а не нанимают дата-аналитика широкого профиля, который подготовит базовые модели, потому что последние не принесут пользы бизнесу.

Выше порог входа и профессиональные управленцы

Еще три года назад профессия аналитика данных имела довольно низкий порог входа. Популярность профессии пришлась на время взрывного роста edtech-индустрии. Тогда на рынок вышло много специалистов, что подхлестнуло конкуренцию и усложнило поиск работы. Например, знание SQL стало базой по аналогии с владением Excel. На сегодняшний день даже нет смысла указывать это в резюме. Сейчас нужно больше навыков и опыта. Из-за этого ажиотаж вокруг профессии стал снижаться.

Чтобы попасть на работу, сегодня недостаточно курсов или высшего образования. Нужно владеть практическими инструментами. Всему необходимому можно научиться, делая пет-проекты. Это несложно: есть много сообществ таких же новичков, где можно найти кого-то с близкими интересами, чтобы вместе собрать первые проекты. Поскольку большая часть программного обеспечения для дата-аналитиков бесплатна и им пользуется вся индустрия - неважно, беттинг это или e-commerce, - проблем в синхронизации с командой быть не должно.

Выигрывать конкуренцию у таких же новичков позволяют и более развитые soft skills, тем более что у многих аналитиков данных эти навыки развиты хуже, чем владение кодингом. Главная проблема в том, что специалистам сложнее донести результаты своей работы до конечного потребителя в лице бизнеса и правильно подсветить ценность выводов, чем построить модель. Это проблема для всего рынка. Например, у нас в PARI ребята развивают навык через публичные выступления и решение задач, завязанных на критическое мышление.

Среди менеджеров конкуренция тоже растет. Еще несколько лет назад существовала проблема: бизнесу приходилось выбирать между профессиональными управленцами, которые хорошо понимали про менеджмент, но не были погружены в техническую специфику аналитики данных, и бывшими дата-специалистами. Сейчас же появляются профессиональные управленцы с развитыми в равной степени сторонами.

Путь к российским продуктам и нейросети

В последние пару лет, когда речь идет про влияние цифровых сервисов на работу аналитиков данных и представителей других профессий, обычно говорят про нейросети. Их влияние неоднозначное.

• Помогают нейросети составлять документацию и собирать презентации. Вручную на это уходит до 20-30% рабочего времени аналитиков. Также нейросети хорошо переводят голос в текст, что позволяет быстрее отрабатывать комментарии и отзывы. Они могут составить саммари большого документа.

• Мешают, когда дело касается написания скриптов. Нейросеть сумеет это сделать, вот только часто аналитик не сможет объяснить суть работы кода, что только удлинит производственный процесс. Еще нейросети очень убедительно врут. Достаточно попросить ChatGPT составить расписание матчей РПЛ на ближайшие две недели. Все названия команд будут верные, не встретится ни одного повтора, время тоже похоже на настоящее. Вот только от реального расписания это будет максимально далеко.

Пока нейросети не могут делать главного, за что берут на работу аналитиков данных, - объяснять с использованием цифр суть явлений и отвечать на вопрос "почему", то есть создавать что-то принципиально новое. Так что хорошим специалистам пока можно не бояться конкуренции со стороны генеративного искусственного интеллекта.

С прикладной точки зрения можно отметить переход всей индустрии на российские продукты. В сегменте облачных вычислений и хранения данных есть отечественные решения от крупных вендоров, которые удобны и выдерживают все нагрузки на уровне мировых лидеров, а также покрывают весь спектр необходимых требований. Это утверждение относится и к аналитическим СУБД, которые не уступают западным по скорости, функционалу и удобству работы с ними.

Сильная собственная технологическая составляющая - важная причина, почему в РФ так хорошо развита аналитика и большинство букмекерских компаний имеют подобные отделы.