Data Analyst 👉 Kompletny plan kariery

Po pierwsze, przestawić się z myślenia, że ja coś robię, na środowisko coś robi. Musimy w jakimś sensie stać się jednością ze środowiskiem. Czyli my tworzymy środowisko analityczne, w którym to wszystko działa. Co oznacza, że bierzemy na siebie trudne rzeczy, ale uspokajamy chaos, rozwijamy innych, rozwijamy firmę i po prostu jesteśmy naprawdę ważną częścią tego biznesu. Także z tego powodu, że ta stabilność, tak jak wspominałem wcześniej, ma po prostu bardzo duże znaczenie. Kolejną rolą, i tutaj to nie jest oczywiste, ale ta rola się pojawia coraz częściej, jest Analytics Engineer. Czasem tę rolę troszeczkę pełni BI Developer, w sensie...

Jeszcze nie jest tak często wypisywany Analytics Engineer, ale ta rola inżynierii analitycznej po prostu zaczyna być często taką zauważalną, samoistną częścią biznesu, którą trzeba obsłużyć. I trzeba obsłużyć kimś, kto naprawdę się na tym zna. To jest ten moment, w którym Ty przychodzisz jakby z analizy wyników, w ogóle analizowania, do budowania silnika analitycznego. To jest bardzo duży przeskok. Bo o ile wcześniej, jakby nawet jako senior robiłeś trudne tematy analityczne, tak teraz schodzisz poziom niżej i zdajesz sobie sprawę, że żeby robić łatwe tematy, średnie tematy, trudne tematy, to wszystko potrzebuje jakiegoś jednego silnika.

Nieoczywiste tutaj, ale należy pamiętać, że na tym etapie z tych błędów, które ja tutaj wypisałem, najważniejszym błędem, którego należy unikać, jest budowanie pod siebie, a nie pod użytkownika. A tym użytkownikiem najczęściej będzie inny analityk. No i teraz próbujemy przejść z bycia midem środowiskowym do bycia seniorem środowiskowym, czyli do przejścia na poziom data architekta. Czyli osoby, która jest w stanie zaprojektować cały ekosystem w jakimś sensie. Wiadomo, że najczęściej tych architektów będzie więcej. Ale my po prostu jesteśmy w stanie cały system okarniać. Tutaj jeszcze wypisałem, po czym można tego Analytics Ingeniera dobrze ocenić, poznać, czyli że to wszystko jest spójne, ale o tym wszystkim mówiłem.

To znaczy, że my jesteśmy się w stanie skalować. Może to jest najważniejsza rzecz, którą powiem. Jesteśmy się w stanie skalować bez pożarów. To jest najważniejsza rzecz, po czym widzimy, że podejmujemy jako analytics engineer dobre decyzje. Mamy więcej dashboardów, mamy więcej użytkowników, mamy więcej analiz, a jednocześnie wszystko idzie w dobrą stronę. Nic nie wybucha. I tutaj najczęściej...

Odkrywamy prawdziwe trupy w szafie. I to też mówię ze swojego doświadczenia, bo jako analytics engineer troszeczkę powiem szczerze, my schodzimy z takiej roli senior analista, który pracuje z mega trudnymi rzeczami, ale na bazie jakby pojedynczego tematu analitycznego, no to wchodzimy na taki poziom środowiskowy, że tam próbujemy jakąś część tego, umówmy się, zawsze to będzie jakaś część tego środowiska, którą próbujemy ogarnąć. Natomiast jako Data Architect rozumiemy, jaka jest architektura danych w naszej firmie. Pojawiają się takie tematy jak współpraca, Z engineeringiem, z BI-em, z security i z managementem.

Żeby to wszystko ogarnąć, czyli żebym ci umiał to wytłumaczyć. Ty będziesz rozmawiał z zarządem, programistami, analitykami, ludźmi od security, Ludźmi, którzy też pełnią jakieś analytics engineer role i jeszcze ludźmi z biznesu. I teraz uwaga. Każdy z nich ma inne oczekiwania wobec tego, co się ma dziać z danymi. Każdy. O ile wcześniej mówiłem, że często jest taka cierpka sytuacja, bo rzadko udaje nam się wygrać w jakimś sensie, O tyle muszę powiedzieć, że rola architekta danych to nierzadko, szczególnie w świecie, w którym my nie budujemy na systemie, który jest nowy, tylko my jesteśmy w sytuacji, gdzie ta firma już ileś lat działa, to my praktycznie idziemy od klęski do klęski, jakby nigdy nie jest dobrze.

Czyli, że my nie tylko jesteśmy w stanie postawić to środowisko, tak jak analytics engineer, w sensie, że tych konkretnych layerów, KajoData. To, ten cloud, to bezpieczeństwo i ten performance, to wszystko się łączy z tym, że my współpracujemy z engineeringiem, z BI Security, z managementem. Powiem tak, to jest zajebiście ciekawe, ale to jest bardzo trudne, bo tak jak się domyślasz, na tym etapie nie jesteś w stanie robić... Dużych ruchów. Naprawdę. Jesteś w stanie robić takie mikro kroczki, mikro przesunięcia.

Senior Analyst tym bardziej, tak? Analytics Engineer tym bardziej. I tutaj w jakimś sensie wracamy trochę do świata bardziej tematów niż środowiska. Bo zobacz, jeżeli sobie spojrzymy na typowe zadania, to co my tu mamy? Budowę modeli predykcyjnych. Forecasting, segmentacje klientów, systemy rekomendacyjne, scoring, testowanie hipotez i eksperymenty, feature engineering, przygotowywanie danych, wdrażanie modeli na produkcję. Mamy bardzo dużo narzędzi i jeżeli chodzi o te twarde kompetencje, to o tyle się przydaje doświadczenie analytics inżyniera, że data scientist też będzie bardzo często pracował na pipeline.

Bo ta ścieżka od przygotowania danych do wdrożonego modelu na produkcji To jest spora ścieżka. To jest naprawdę coś, co zajmuje sporo czasu w takim fizycznym sensie, tak byśmy powiedzieli, jako taką metaforę. Ale chodzi o to, że tam jest bardzo dużo różnego rodzaju elementów, a to oznacza, że trzeba użyć wielu technologii, żeby to wszystko się wydarzyło. I tutaj przydaje się nam doświadczenie Analytics Ingeniera, który, tak jak pamiętasz, już nie wchodził głęboko, tylko bardziej szeroko, jeśli chodzi o technologię. To jest myślę, że... Takie często niedoceniane, jak wiele narzędzi i technologii musi Data Scientist ogarnąć, bo nagle my naprawdę pracujemy nie tylko na Pythonie, tylko my ogarniamy cały deployment.