Data Analyst 👉 Kompletny plan kariery

Tu też polecam do tego, żeby jak szukacie sobie roli analitycznej, żeby niekoniecznie wpisywać analityk albo analiz, bo może takiej dokładnie roli koło was nie będzie, ale będzie coś związanego z raportowaniem. Tutaj najczęściej będziemy pracowali sobie na Excelu i na SQLu i będą to raczej takie proste rzeczy, rzeczy na wyeksportowanych danych z jakichś systemach. Prawda jest taka, że nie jest to ani ratowanie biznesu, ani produkowanie jakichś niesamowitych insightów. To jest takie standardowe raportowanie, pilnowanie, żeby to raportowanie było OK, odpowiadanie na naprawdę relatywnie proste pytania biznesowe. I jest to o tyle istotne, że w którymś momencie trzeba zacząć.

Jak idzie dobrze, to idzie dobrze, zwycięskiego składu się nie zmienia, ale jak idzie źle, no to szukamy dziury w całym, dlaczego idzie źle, co można poprawić. Pojawiają się pierwsze rekomendacje na podstawie danych. One nie są jakieś może bardzo zaawansowane jeszcze na tym etapie, ale one będą się pojawiać i tutaj od razu mówię, że trzeba mieć w sobie też pokorę. Współpraca i komunikacja. Chodzi o to, że my jako analityk nie tylko produkujemy raporty, analizy, dashboardy, ale my też uczestniczymy w komunikacji.

Natomiast pojawiają się rzeczy, Interpretacja danych i modelowanie danych Jeżeli chodzi o interpretację danych, to jest to o tyle istotne, że tak jak wspominałem wcześniej, my nie możemy być już tylko osobą, która dostarcza dane. Ona ma dostarczyć jakiś sens biznesowy. Zapominaną często rzeczą jest to, że analityk jest de facto rolą służebną.

A film jest jedynie pretekstem. I to jest ważne dla analityka, żeby mieć taką ciekawość biznesu, że jeżeli teraz na przykład gdzieś pracujesz, to zadaj sobie pytanie, na czym naprawdę zarabiamy. I spróbuj wyjść poza takie, no ale to jest oczywiste. Może to nie jest takie oczywiste. Spróbuj sobie zadać to pytanie, bo to moim zdaniem Ćwiczy w nas taką ważną umiejętność takiej prawdziwej analizy. Dlatego też wygrywają osoby, tak tutaj sobie to wypisałem, które po prostu wiedzą, co się dzieje, dlaczego się to dzieje i co warto robić, tak biznesowo ogólnie. Oczywiście, że pod spodem jest ta umiejętność techniczna, czyli mamy tego SQL, Excela, Power BI, Tableau, ale ta umiejętność biznesowa, byśmy powiedzieli nawet, też zaczyna być ważna.

Daj sobie szansę na rozwój i wbijaj na kajodata.com. Mam nadzieję, że widzimy się na KajoData Space. No i jeszcze raz, kajodata.com. Następną rolą jest senior. Senior analityk i tutaj większość z nas się na tej roli zatrzymuje. My też się na niej zatrzymamy, ale tylko na moment. Z seniorem jest bowiem taka paradoksalna sytuacja, że na tym poziomie firma nie płaci ci za samoanalizowanie danych, tylko płaci ci za spokój, jakość i wpływ na biznes. I to często przekłada się na taką sytuację, w której nierzadko ta praca jest o wiele mniej fascynująca niż praca mida.

Co jest ważne dla biznesu? Co tak naprawdę rozwiązuje nasz problem? To jest jakby istota tego, na czym polega praca takiego już analityka, który jest na dosyć wysokim poziomie. To oznacza, że przestaniemy być rozliczani z tasków, które wykonujemy, tylko raczej z całego procesu, raczej z całej takiej stabilności, byśmy powiedzieli. Która wynika z wszystkich rzeczy, które my robimy, żeby to wszystko nam tutaj działało sobie. Ta stabilność jest naprawdę dosyć ważna. To także ma odzwierciedlenie w błędach. To znaczy nie potrafimy się komunikować.

I zarządzanie tym, standaryzacja tego, integracja tego jest fenomenalnym zadaniem, choć jeszcze nie jest aż tak trudna, jak może się wydawać, bo ja bym powiedział w ten sposób, że analityk jest inżynier, to jest osoba, która pracuje na środowisku całym, Ktoś, kto jest na pracy środowiskowej seniorem będzie później. Jeżeli chodzi o kompetencje, to tutaj widzisz, że nagle pojawiają się nowe narzędzia. Wszystko, co nam służy do ETL-a, a tego może być od cholery przeróżnych narzędzi, wszystko, co nam się pojawia, co pomaga nam w pipeline danych, zaczyna być nagle twoim problemem.

To jest może osobny filmik, ale naprawdę tutaj już jest ważne, żeby umieć te kropki łączyć. I co więcej, to znowu jest może jakaś taka cierpka, mądrość, którą zdobywamy w trakcie tej ścieżki, że my przestajemy błyszczeć. Tak naprawdę naszym większym sukcesem jest to, że błyszczą inni analitycy, bo oni mogą realizować swoje analityczne działania dobrze, bo my stworzyliśmy im system, gdzie im to sprawnie działa. Będziemy częściej na tym etapie dostawać komplementy od innych analityków niż od biznesu. To jest może takie ciekawe. Więc to w jakimś sensie jest...

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.

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.

Wydaje się, że masz więcej władzy w porównaniu do np. analityka, to już masz jakieś kosmiczne możliwości, a jednak ruchy, które możesz podejmować, są bardzo ostrożne, bardzo niewielkie i bardzo dobrze skalkulowane. Trochę przypomina mi się... Serial z Frankiem Underwoodem, gdzie on tam zostaje prezydentem, nie? House of Cards. I nie wiem, czy kojarzycie, że to było tak, że zanim on został tym prezydentem, to on mógł robić tam niezłe przekręty, nie? Tu robić to, tu robić tamto. Tak po prostu kręcić super ostro. A jak zostaje tym prezydentem, To niby ma większą władzę, ale tak naprawdę te jego ruchy, oczywiście tam dalej idą przekręty, ale są skromniejsze, muszą być bardziej kalkulowane, bardziej ostrożne. To wszystko jest takie wolniejsze.

Ale ja postanowiłem Ci dać tutaj inne zakończenie ścieżki analitycznej. Wybacz, że wbijam się w temat. Chciałem tylko przypomnieć, że najlepsze kursy z analizy danych, z wszystkich najważniejszych technologii, takich jak Excel, SQL, Power Query, Power BI, Tableau, Python i wiele więcej znajdziesz na mojej stronie kajodata.com. Więc jeśli chcesz zmienić pracę albo poprawić swoje umiejętności, to zapraszam kajodata.com. Na Data Scientist'a można de facto przeskoczyć z wcześniejszych ról. Na Data Scientist'a można przeskoczyć, tylko musimy się to już bardzo postarać, z Middle Analityka. Jesteśmy w stanie to zrobić. Z Data Analyst'a jesteśmy w stanie przejść na Data Scientist'a.

A w zależności od tych rekomendacji, ten klient wyda u nas albo 1000 dolarów, albo 10 000 dolarów. To jest czasem życie albo śmierć dla biznesu. To są bardzo ciekawe, bardzo trudne rzeczy, a jednocześnie w jakimś sensie fascynujące, bo to jest naprawdę z jednej strony trudne, żeby robić to dobrze, ale z drugiej strony jest to osiągalne dla analityka. By móc w ten świat wejść. Tutaj z mojej strony chciałem ci zarekomendować, jeżeli masz taką okazję i chciałbyś tego spróbować, zobaczyć, dotknąć, to jest u mnie kurs Wstęp do Data Science w Pythonie i tam razem z Katarzyną Zieliną, która jest autorką nagrań, pokazujemy, jak to wszystko zrobić.

Kurs został przygotowany dla osób, które pracują jako analitycy, czyli już tymi junior analistami generalnie są. Ale chcą wejść do świata Data Science. Czyli ja zakładam, że już jakieś podstawy Pythona masz, bo rzeczywiście to trzeba zrobić. I wtedy jesteś w stanie nagle zdać sobie sprawę, że to nie jest tak, że jest świat analizy danych, później długo, długo, długo nic i później jest jakiś magiczny Data Science, do którego ty nie dojdziesz. Tylko to jest obok siebie. To jest obok siebie i ty jesteś w stanie przejść do tego pokoju data science'owego. No i co tu dużo mówić? Jest to pokój lepiej płatny, z lepszą przyszłością, ciekawszy też w dużym stopniu, bo no ileż można robić filtrów i wykresów i obliczeń.

To jest tak, jakby taki model był samodzielnie zatrudnionym analitykiem. W jakimś sensie Projektujemy takiego naszego mini pracownika, który pracuje za nas, który właśnie tam analizuje, kategoryzuje, robi rekomendacje, robi forecasting. Jest to super, jak się to zobaczy wdrożone. Bo okazuje się, że nagle trzeba było wykonać bardzo dużo pracy, żeby to wszystko zadziałało. Trzeba było sprawdzić te dane, przygotować odpowiednio, przygotować model, przetestować go odpowiednio, przyuczyć go odpowiednio, uniknąć tych wszystkich błędów underfittingu, overfittingu, przeróżnych. Wspominam o tym na kursie. A na końcu