Должен ли аналитик уметь программировать

В этой статье попробуем понять, нужно ли аналитику разбираться в программировании, в каком объеме и для каких целей, и что он может выполнять без этих знаний.

Вопрос из заголовка вызывает нескончаемые споры в отрасли и, наверное, не имеет однозначного ответа. Чаще всего в споре сходятся два полярных мнения:

1. нечего и соваться в профессию, если ты не ас в написании кода на С++, а уж про Python и R даже и говорить смешно;
2. это вообще не нужно, его функции — коммуницировать с заказчиком, изучать материалы и ставить задачи команде.

Как всегда истина — где-то посередине. Но для начала давайте разберемся, о ком вообще идет речь?

Кто такой аналитик

Если говорить максимально кратко и просто — это специалист, который собирает, обрабатывает, систематизирует и изучает данные. А также формулирует выводы и рекомендации, тем самым помогая бизнесу принимать стратегические решения. Но это максимально широкое определение: в реальности большинство позиций предполагает более узкую специализацию.

Существует отраслевое деление таких сотрудников, и оно отражается в названиях: финансовый, маркетинговый, продуктовый, инвестиционный и другие. Сразу отметим, что аналитику такого рода программировать чаще всего не надо: он должен уметь выполнять функции, близкие к компетенциям своего отдела. То есть хорошо разбираться в направлении, на котором специализируется. Например, в денежных потоках или в рекламных кампаниях.

Мы же говорим о более широком понятии, то есть об экспертах, которые занимаются общими вопросами бизнеса и работой с данными. Это в первую очередь BI-аналитик и Data Analyst. Именно об их компетенциях мы будем говорить, пытаясь понять, какие знания и навыки им действительно необходимы для успешного выполнения поставленных задач.

Функции аналитика

По многочисленным объявлениям о вакансиях можно понять, что у каждой компании собственное представление о требованиях к специалистам такого рода. Но можно выделить основные должностные функции, которые встречаются почти в каждом запросе.

● Сбор, обработка, изучение, систематизация данных из разных источников.
Работа с запросами руководства предприятия и поиск проблемных точек в деятельности компании.
Стратегический анализ бизнес-процессов, подготовка рекомендаций и создание гипотез.
Проектирование моделей для прогнозирования, плана действий для повышения эффективности.
Визуализация данных, создание интерактивных дашбордов и другой отчетности.
Взаимодействие с IT-отделом, доведение до них задач, поставленных менеджментом, формулирование требований на их языке и контроль выполнения.
Обязанности

Что должен знать и уметь аналитик

Для успеха в профессии нужно понимать законы бизнеса и менеджмента, иметь опыт в Data Science, проводить операции с базами данных и системным анализом. В рамках каждой сферы надо владеть необходимым инструментарием и современными методами работы, например:

делать визуализацию на BI-платформах;
писать запросы SQL,
строить модели,
составлять ERD-диаграммы,
проводить А/В тестирования и многое другое.

Направлений в профессии много, перед каждым — свои задачи и обязанности. Например, есть специальность, которая находится на стыке управления бизнесом и разработки программного обеспечения для него. Речь о системном аналитике (сократим его до СА). Он в первую очередь выполняет роль посредника между заказчиком и техническими исполнителями. Понимает требования менеджмента, видит стоящие перед ним проблемы и знает, как их решить с помощью цифровых технологий.

При этом такой специалист умеет разговаривать на языке айтишников и формулировать для них задание. В общем, главная его ценность как раз в этом: хороших дизайнеров и программистов много, а тех, кто умеет найти решение и превратить его в задачу для этих специалистов, мало. И они очень ценны.

Разницу между необходимыми скиллами BI- и системного аналитика можно увидеть на этом рисунке:
Сравнение
Главное отличие между ними отлично видно на сравнении Т-профиля обоих сотрудников.
T-shaped специалист обладает глубокими профессиональными знаниями в одной или нескольких областях (hard skills), но при этом разбирается во многих других и обладает широким спектром soft skills.
Схематично это отображается буквой Т, где по вертикали расположены хард, а по горизонтали софт скиллы.
T-shaped
Если мы сравним навыки, которыми обладает бизнес- и системный аналитик (почти программист), то увидим, что у первого верхняя перекладина буквы Т значительно больше вертикали. А у второго, наоборот, hard skills серьезно преобладают над софтами.
Чтобы понять, что именно стоит развивать и чему учиться, необходимо в первую очередь определиться со специализацией. Например, если у вас уже неплохо проработаны «гибкие» навыки, будет проще стартовать в направлении Business Intelligence.

Для этого не потребуется глубинной теоретической подготовки по информатике — для начала достаточно освоить продвинутое пользование Excel. А уже потом идти дальше, изучать новые инструменты и набираться практического опыта.
В Институте бизнес-аналитики работает программа профессиональной переподготовки. Занятия идут 6-7 месяцев, построены они от простого к сложному, а потому подходят даже для тех, кто хочет начать с нуля.
Пройдете обучение по международным стандартам и получите диплом гособразца
Освоите практические навыки на основе 70 реализованных BI-проектов
Научитесь автоматизировать корпоративную отчетность с нуля
Профессия: Аналитик данных
Проф. переподготовка
В основе обучения — исключительно практический проектный опыт и решение реальных управленческих задач. В нее входит 9 курсов для освоения ключевых навыков, необходимых для специалиста. Сначала студенты изучают визуализацию данных и практикуются в разработке дашбордов. Потом переходят к разным BI-системам и осваивают особенности управления корпоративными проектами. Отдельный блок программы посвящен актуальным для современного бизнеса интеграционным решениям: с 1С, Битрикс, рекламными кабинетами, маркетплейсами и так далее.

Сквозь все обучение проходят два курса: по карьерному развитию, а также по интеграции в глобальное проф. сообщество. Еженедельно собираемся на онлайн-встречах, развиваем владение английским — впоследствии это поможет работать в проектах в любой стране и компании. Каждый выпускник получает диплом государственного образца по профессиональной переподготовке.
Диплом

Анализ данных и программирование: как они связаны

Работа аналитика находится на пересечении трех крупных областей знаний: менеджмента, математики и информатики. Простыми словами можно сказать, что он создает цифровой продукт, который математически обрабатывает собранные сведения и на основании результатов предлагает управленческие решения.

Но как хороший начальник не делает все сам, а грамотно делегирует, так и эффективный специалист не должен самолично выполнять все эти функции. Главное, сформулировать цель и поставить задачу, а практическую реализацию можно отдать команде айтишников.

Надо ли аналитику уметь писать код?

Согласно руководству от Международного института IIBA BABOK (акроним от Business Analysis Body of Knowledge), классический Business Analyst работает с требованиями «на другом уровне абстракции, фокусируя внимание на оптимальной организации процессов и их экономике». Поэтому среди требований к этому специалисту нет чего-то вроде «писать код на сложных языках» — он может выполнять анализ данных без навыков программирования.
Хорошим бонусом к компетенциям Data Analyst будет знание SQL. Это не инструмент написания кода, а язык запросов, необходимый для взаимодействия с базами и извлечения из них нужной информации. А так как работа зачастую связана с Big Data, традиционные методы сбора и систематизации «вручную» уже неактуальны.

Что касается Python, тут тоже нет общего мнения. Этот язык используют в веб-разработке для создания бэкапов, заполнения таблиц в Excel, создания PDF-документов с отчетами и других задач. Все это нужно аналитику данных, но в зависимости от функций, он может или делать это сам или отдать программисту. Поэтому обязательным требованием Python не является. С другой стороны, это язык с очень простым синтаксисом, он вполне доступен даже людям с «гуманитарным» складом ума. А дополнительные профессиональные навыки никогда не будут лишними.

Системщику полезно знать UML (Unified Modelling Language). Это унифицированный графический язык моделирования, который с помощью схем и диаграмм описывает процессы и системы. В виде моделей на нем можно формулировать требования заказчика в удобной и понятной для разработчиков форме. Это поможет СА выполнять роль посредника между бизнесом и разработчиками.

Как работать аналитиком данных без навыков программирования

Для этого есть два основных пути:

1. Выполнять обязанности, которые не требуют написания кода.
2. Ставить задачи перед айтишниками и пользоваться результатами их труда.

В первый вариант входит широчайший список должностных обязанностей. Например:

собирать и систематизировать данные с помощью инструментов, не требующих написания программ;
выдвигать и проверять гипотезы;
визуализировать отчеты на BI-платформах (Power BI, Qlik, Tableau);
проводить А/В тестирование и маркетинговые исследования;
разрабатывать и внедрять новые метрики для оценки деятельности компании;
вести переговоры с заказчиком и командой айтишников.

Все эти направления входят в программу курса обучения профессии в Институте бизнес-аналитики. Вы не только изучите теорию, но и получите практический опыт, работая с реальными примерами и решая задачи с помощью работы с данными.

Чтобы идти вторым путем, необходимо уметь формулировать требования к IT-специалистам, озвучивать их и добиваться нужного результата.
Пройдете обучение по международным стандартам и получите диплом гособразца
Освоите практические навыки на основе 70 реализованных BI-проектов
Научитесь автоматизировать корпоративную отчетность с нуля
Профессия: Аналитик данных
Проф. переподготовка

Общий алгоритм работы без написания кода

Мы выяснили, что далеко не всегда аналитику необходимо программирование. При этом все современные методы и инструменты построены на цифровых технологиях. Так как же можно выполнять свои обязанности, не умея создавать программы? Ответ лежит на поверхности — использовать то, что уже написано. Давайте последовательно рассмотрим ключевые этапы такой деятельности.

Сбор данных

Любой проект в аналитике начинается с этого этапа. Не будем рассматривать ситуации, когда для решения задачи нужно написать код, а для этого обратиться к айтишникам. Здесь мы остановимся на том, что делает сам BI-специалист.

1. Работа в Excel. Эта знакомая всем платформа — прекрасный и многофункциональный инструмент. Многие фирмы хранят свои сведения в форматах, которые элементарно импортируются в Excel, где их можно обрабатывать и систематизировать так, как нужно для конкретного запроса.

2. Веб-скрейпинг (он же скрайпинг или скрапинг), в русскоязычном пространстве его также называют веб-парсингом. Это технология получения информации со страниц веб-ресурсов. Его можно делать вручную, но чаще всего это автоматизированный процесс. Для веб-скрейпинга часто используют браузерные расширения (например, Web Scraper или Octo Browser).

3. Традиционный сбор данных вручную. К сожалению, до сих пор важная информация в компаниях может храниться в самых невероятных для Data Analyst форматах — это и файлы Word, и протоколы встреч, и даже бумажные книги учета или директорские записи от руки. И со всем этим иногда приходится работать.

4. Интервьюирование и проведение исследований. Чтобы собрать нужные сведения, часто требуется провести опросы или анкетирование ключевых акторов (это могут быть клиенты, сотрудники, члены совета директоров или другие группы).

Обработка и систематизация

Сложность заключается в том, что информация из разных источников представлена в неструктурированной форме, непригодной для компьютерного считывания. Этот трудоемкий этап включает в себя очистку и унификацию показателей, имен, названий, единиц измерения и так далее.

В Excel это должна быть так называемая плоская таблица, в которой каждый столбец содержит данные одного типа, а каждая ячейка однозначно идентифицируется указанием строки и столбца.

Изображение 1 — пример справочной таблицы, 2 — она же в плоском виде в Excel.
Обрабатывать информацию можно также с помощью любой BI-платформы. Загружаем в нее исходный файл и прямо внутри программы структурируем показатели и, если нужно, вычисляем новые меры с помощью формул DAX.

Для сведений, собранных веб-скрейпингом, есть инструменты очистки и преобразования из одного формата в другой. Это, например, OpenRefine или Data Wrangler.

Незаменимым помощником выступают готовые ETL-инструменты, которых на рынке десятки, если уже не сотни. Одни предназначены для интеграции данных, другие — для их импорта и реализации, а также для тестирования и хранилищ. Есть и универсальные инструменты, выполняющие все перечисленные функции.

Анализ, подготовка выводов и рекомендаций

Этот этап описан в десятках статей и книг — тема очень обширная. К современным методам Data Analysis относится множество видов: количественный анализ показателей, статистический, диагностический, прогностический, факторный и так далее. Любой из них может быть актуален, все зависит от конкретных целей и особенностей деятельности компании.

Использование AI и ML

Машинное обучение (Machine Learning) — это обучение искусственного интеллекта (AI) самостоятельной работе без заданного программистом алгоритма. Компьютер сам выбирает методы достижения целей, полагаясь на шаблоны и логические выводы.

На принципах машинного обучения построена программа RapidMiner, с помощью которой можно проверять гипотезы и выявлять основные тенденции.

Инструменты визуализации и сетевого анализа

Ведущие BI-платформы, например, Power BI или Tableau, нужны в первую очередь не для создания красивых картинок и диаграмм — это прекрасные инструменты для анализа. Интерактивные дашборды позволяют увидеть тенденции в результатах работы, понять, где есть слабые места, сделать правильные выводы и принять соответствующие решения. Научиться создавать качественные информативные дашборды можно на программе «Профессия: аналитик данных».

На более продвинутом уровне можно обратиться к возможностям сетевого анализа — это изучение связей между элементами системы: людьми, филиалами, продуктами. Такая опция доступна, например, на платформе NodeXL — это программное обеспечение, разработанное как раз для этих целей. Все составляющие представляются в виде сложного графа, где в качестве узлов выступают события, персоналии или явления, то есть сущности, а ребра — это связи между ними.
Анализ

Подведем итоги

Так все-таки: должен ли аналитик знать программирование? Наш обзор показал, что большинство своих функций он может прекрасно выполнять и без этого, совсем не обязательно становиться профессиональным «системщиком». В то же время базовые знания в ИТ-сфере — это преимущество: они помогают оптимизировать некоторые процессы и понимать методы решения задач.

Важно отметить, что для разных специализаций требуется разная степень знания информатики. Если для эксперта по бизнесу эти навыки являются опциональными, то для системщика они рекомендуются, а иногда становятся остро необходимыми.
Вам понравилась статья?
Читайте также
Подпишись на рассылку и получи в подарок «Каталог лучших отраслевых дашбордов»!

Хочешь получать актуальные статьи о визуализации данных?