Prieš kokius penkerius metus, jei paklaustum draugų, kuo užsiima duomenų analitikas, dauguma tik gūžtelėtų pečiais. Šiandien situacija visai kitokia – ši profesija tapo viena iš tų, apie kurias kalba beveik kiekviename IT bendruomenės renginyje, o skelbimų portaluose pozicijų skaičius auga kaip ant mielių. Bet ar tai tikrai tokia patraukli karjera, kaip visi sako? Pabandykime išsiaiškinti be per didelio saldinimo.
Kas iš tikrųjų slepiasi po šia profesija
Duomenų analitikas – tai žmogus, kuris kasdien naršo po skaičius, lenteles ir grafikus, bandydamas iš chaoso ištraukti prasmę. Skamba nuobodžiai? Iš tikrųjų priklauso nuo to, kokioje įmonėje dirbi. Vienur tai bus Excel lentelių tvarkymas ir ataskaitų rengimas kiekvieną pirmadienį, kitur – SQL užklausų rašymas, duomenų vizualizacijų kūrimas su Tableau ar Power BI, o kartais net Python scenarijų kūrimas automatizavimui.
Svarbiausia suprasti – analitikas nėra tas, kuris tiesiog „žiūri į skaičius”. Jo darbas yra atsakyti į verslo klausimus: kodėl pardavimai krito antrą ketvirtį, kurie klientai greičiausiai paliks paslaugą, kokia rinkodaros kampanija atsiperka geriausiai. Skaičiai čia tik įrankis, o tikslas – padėti priimti sprendimus.
Kokių įgūdžių tikrai reikia (ir kurie yra tik mitas)
Internete pilna sąrašų su dešimtimis „būtinų” įgūdžių, kurie dažnai gąsdina pradedančiuosius. Realybėje viskas paprasčiau. Štai kas iš tiesų svarbu:
- SQL – be jo niekur. Duomenys dažniausiai gyvena duomenų bazėse, ir mokėti juos ištraukti yra pagrindinis įgūdis, kurio reikalauja beveik kiekvienas darbdavys.
- Excel – taip, senasis geras Excel vis dar gyvas ir sveikas. Pivot lentelės, VLOOKUP, sąlyginis formatavimas – tai baziniai dalykai, kuriuos naudos kasdien.
- Vizualizacijos įrankiai – Power BI arba Tableau. Nesvarbu kurį pasirinksi mokytis pirmą, logika ten panaši.
- Statistikos pagrindai – nereikia būti matematiku, bet suprasti, kas yra vidurkis, mediana, koreliacija ir kodėl koreliacija nereiškia priežastingumo, tikrai verta.
- Python arba R – pradedantiesiems ne būtina iš karto, bet ilgainiui tai atveria daug daugiau galimybių, ypač jei norisi judėti link duomenų mokslo.
O ko iš tikrųjų nereikia bijoti? Aukštojo matematikos laipsnio ar programavimo patirties nuo vaikystės. Dauguma sėkmingų analitikų, kuriuos pažįstu, atėjo iš visai kitų sričių – ekonomikos, marketingo, net biologijos. Svarbiau yra loginis mąstymas ir noras kapstytis po duomenis, kol randi atsakymą.
Kaip atrodo tipinė darbo diena
Romantizuoti šią profesiją būtų nesąžininga. Didžioji dalis laiko praeina ne kuriant įspūdingus grafikus, o tvarkant duomenis – vadinamąjį „data cleaning”. Jei kada girdėjai frazę, kad 80 procentų analitiko darbo yra duomenų valymas, tai nėra perdėta. Duomenys realiame pasaulyje būna netvarkingi: trūksta reikšmių, datos įrašytos skirtingais formatais, kliento vardas kartais parašytas didžiosiomis, kartais mažosiomis raidėmis.
Likusi darbo dalis – susirinkimai su verslo padaliniais, kur reikia suprasti, ko iš tikrųjų klausia kolegos (dažnai jie patys nežino, ko nori, kol negauna pirmo atsakymo), ataskaitų kūrimas, prezentacijų ruošimas vadovybei ir, žinoma, tos akimirkos, kai pagaliau randi tą vieną įžvalgą, kuri paaiškina, kodėl visą mėnesį kažkas neveikė taip, kaip turėtų.
Atlyginimai ir realios perspektyvos Lietuvoje
Šis klausimas visada įdomiausias, tad be aplinkkelių. Pradedantis analitikas Lietuvoje gali tikėtis maždaug 1300–1800 eurų neatskaičius mokesčių priklausomai nuo miesto ir įmonės dydžio. Su dvejų-trejų metų patirtimi skaičius pakyla iki 2000–2800 eurų. Senjorai arba tie, kurie specializuojasi konkrečioje srityje (pavyzdžiui, finansų analitika ar produkto analitika technologijų įmonėje), gali uždirbti ir virš 3500 eurų.
Verta paminėti, kad tarptautinės kompanijos, veikiančios Lietuvoje (ypač fintech ar e-komercijos sektoriuje), dažnai moka daugiau nei vietinės. Atlyginimų skirtumas gali siekti net keletą šimtų eurų už tą pačią poziciją, tad verta neapsiriboti pirmu pasiūlymu ir palyginti rinką.
Kur mokytis, jei norisi pradėti nuo nulio
Geriausia žinia – šiandien nereikia formalaus universitetinio išsilavinimo, kad taptum analitiku. Yra keli keliai, kuriais galima eiti:
Nemokami ištekliai. Kaggle turi puikius mokomuosius kursus apie SQL ir Python, o YouTube kanalai kaip „Alex The Analyst” ar „Luke Barousse” paaiškina viską žmonišku kalba, be nereikalingo akademinio žargono.
Mokami kursai. Google Data Analytics sertifikatas per Coursera yra vienas populiariausių pasirinkimų – jis suteikia struktūrą ir žinias, kurių reikia įsidarbinti, per maždaug 3-6 mėnesius, jei skiri po 5-10 valandų per savaitę.
Praktiniai projektai. Tai svarbiausia dalis, kurią daugelis praleidžia. Neužtenka baigti kursą – reikia turėti bent 2-3 asmeninius projektus, kuriuos gali parodyti portfolio. Pavyzdžiui, analizuoti viešai prieinamus duomenis apie Lietuvos nekilnojamojo turto kainas arba oro kokybę mieste. Darbdaviai tokius projektus vertina daug labiau nei vien sertifikatą sienoje.
Klaidos, kurias daro beveik visi pradedantieji
Pastebėjau kelis pasikartojančius scenarijus, kurie stabdo žmones nuo sėkmingo starto. Pirma – bandymas išmokti viską iš karto. Žmonės griebiasi Python, R, SQL, Tableau, statistikos ir mašininio mokymosi vienu metu, po mėnesio pavargsta ir meta. Geriau pasirinkti vieną kelią, jį įsisavinti bent iki vidutinio lygio, o tada plėstis.
Antra klaida – per didelis dėmesys technikai ir per mažas verslo supratimui. Analitikas, kuris moka parašyti sudėtingiausią SQL užklausą, bet nesugeba paaiškinti rezultato taip, kad suprastų rinkodaros vadovas, praranda didelę dalį savo vertės. Gebėjimas komunikuoti paprastai yra taip pat svarbu, kaip ir techninis pasiruošimas.
Trečia – bijojimas kreiptis dėl darbo, kol „nesijaučia pasiruošęs šimtu procentu”. Realybėje niekas niekada nesijaučia visiškai pasiruošęs. Jei žinai SQL pagrindus, moki Excel ir turi bent vieną projektą portfolio, jau verta bandyti.
Kur ši profesija veda toliau
Duomenų analitiko pozicija dažnai yra tik atspirties taškas. Iš čia galima judėti keliomis kryptimis: tapti duomenų mokslininku (data scientist), jei traukia gilesnis mašininis mokymasis ir prognozavimas; pereiti į duomenų inžinerijos sritį, jei labiau patinka kurti infrastruktūrą nei analizuoti rezultatus; arba tapti produkto ar verslo analitiku, kur techninių įgūdžių reikia mažiau, bet daugiau dėmesio skiriama strategijai.
Kai kurie renkasi likti analitikais, bet specializuotis konkrečioje srityje – pavyzdžiui, tapti rinkodaros analitiku ar finansų analitiku didelėje korporacijoje. Tokia specializacija dažnai atneša ir aukštesnį atlyginimą, ir gilesnį profesinį pasitenkinimą, nes žinai savo sritį iš ir į.
Vietoj apibendrinimo – ką pasakytum sau prieš metus
Jei šiandien galėčiau grįžti laiku ir duoti patarimą sau, pradedančiam šiame kelyje, sakyčiau taip: nesivaikyk tobulumo prieš pradėdamas veikti. Išmok SQL pagrindus per savaitę-dvi, imk pirmą prieinamą duomenų rinkinį ir pradėk analizuoti, net jei rezultatas atrodo primityvus. Kiekvienas projektas, net ir nevykęs, moko daugiau nei dar vienas peržiūrėtas kursas be praktikos.
Ir dar vienas dalykas, kurio niekas iš karto nepasako – šis darbas ne visada bus jaudinantis. Bus dienų, kai tvarkysi duomenis apie sandėlio inventorizaciją ir jausiesi kaip robotas. Bet bus ir tokių akimirkų, kai atrasi modelį duomenyse, kurio niekas anksčiau nepastebėjo, ir tavo įžvalga realiai pakeis, kaip įmonė priima sprendimus. Būtent dėl tų akimirkų ir verta investuoti laiką į šią profesiją.
Galiausiai – nebijok pradėti mažai. Net jei pirmas darbas bus paprastas ataskaitų rengimas be didelio intelektinio iššūkio, tai vis tiek durys į sritį, kuri auga ir keičiasi kasmet. O kai jau būsi viduje, galimybių augti bus daugiau, nei įsivaizduoji iš šalies.
