В чем разница между аналитиком данных и бизнес-аналитиком?
Аналитики данных и бизнес-аналитики помогают принимать решения в организациях на основе имеющихся данных. Аналитики данных, как правило, более тесно работают с самими данными, в то время как бизнес-аналитики больше сосредоточены на удовлетворении потребностей бизнеса и принятии рекомендуемых решений. Обе должности очень востребованы и обычно хорошо оплачиваются.
В этой статье мы более подробно рассмотрим, что делает обе должности уникальными и почему вы можете выбрать любую из них в качестве профессии.
Приглашаем на бесплатный вебинар! Обсудим: чем занимается продакт менеджер? Чем он отличается от product owner’а? Кому стоит идти в эту профессию? Что нужно и что не нужно сегодня работодателям, ищущим себе специалистов по этой специальности?
Бизнес-аналитика и аналитика данных
У бизнес-аналитиков и аналитиков данных схожие роли, и некоторые компании могут использовать эти термины как взаимозаменяемые. И хотя оба типа аналитиков используют данные для улучшения бизнес-решений, делают они это по-разному.
Чем занимаются аналитики данных?
Аналитики данных собирают, обрабатывают, анализируют, визуализируют и представляют существующие данные, чтобы помочь в принятии бизнес-решений. Хороший аналитик данных использует данные, чтобы ответить на поставленные вопросы и дать возможность лицам, принимающим решения, разработать наилучший план действий. Стандартные задачи аналитика данных могут включать:
-
Работу с руководителями предприятий и заинтересованными лицами для выявления проблем или потребностей бизнеса;
-
Идентификацию и поиск данных;
-
Обработку и подготовку данных для анализа;
-
Анализ данных на предмет закономерностей и тенденций;
-
Визуализацию данных для облегчения их понимания;
-
Представление данных таким образом, чтобы они рассказывали убедительную историю.
Чем занимаются бизнес-аналитики?
Бизнес-аналитики помогают выявить проблемы, рассмотреть возможности и пути их решения в организациях. Они делают это с помощью:
-
Оценки текущих функций и ИТ-структур компании;
-
Анализа процессов и опроса членов команды для определения областей, требующих улучшения;
-
Представления результатов и рекомендаций руководству и другим основным заинтересованным лицам;
-
Создания визуальных и финансовых моделей для поддержки бизнес-решений;
-
Визуализацию данных для облегчения их понимания;
Кто такой BI-аналитик?
BI-аналитики представляют собой нечто среднее между бизнес-аналитиками и аналитиками данных. Они используют анализ, моделирование и визуализацию отраслевых тенденций и конкурентной среды, чтобы помочь предприятиям сократить убытки и увеличить прибыль.
Уровень образования
Бизнес-аналитики и аналитики данных могут иметь самый разный уровень образования, хотя большинство компаний ищут кандидатов как минимум со степенью бакалавра. Как правило, бизнес-аналитики могут иметь степень в области, связанной с бизнесом, в то время как аналитики данных часто имеют степень в областях STEM, таких как статистика, математика или информатика.
Получение степени магистра с упором на анализ данных может открыть возможности для продвижения в любой из этих специальностей.
Для некоторых должностей начального уровня степень не требуется
Получите свидетельство об окончании курсов в области анализа данных от Google или IBM, чтобы менее чем за шесть месяцев обучения приобрести навыки, необходимые для работы аналитиком данных начального уровня.
Навыки бизнес-аналитика и аналитика данных
Аналитика данных и бизнес-аналитика требуют немного отличающегося набора навыков. Хотя обе специальности работают с данными, делают они это по-разному. Ниже представлено несколько общих навыков для каждой специальности.
Аналитик данных
-
Владение SQL и статистическим программированием.
-
Владение Microsoft Visio и инструментами разработки ПО.
Данные специальности требуют и несколько схожих навыков. Какой бы путь вы ни выбрали, вы добьетесь успеха, если будете хорошим:
-
Специалистом по решению проблем;
Доход
Квалифицированные специалисты, занимающиеся анализом данных и бизнес-анализом, часто получают высокую заработную плату. По данным популярного веб-сайта Glassdoor, средний доход бизнес-аналитиков в США в 2021 году составлял 77 218 долларов, а средний доход аналитиков данных – 69 517 долларов.
Если вы подумываете о карьере бизнес-аналитика, начните с онлайн курсов!
Больше полезных статей в рассылке
Подписка в один клик, никакого спама
Error get alias
В этом материале разберем, в чем сходства и отличия 3-х разных профессий: бизнес-аналитика, системного аналитика и Data Analyst’а (аналитика данных) с комментариями руководства BABOK®Guide. Также читайте в нашей статье, может ли один человек совмещать все 3 специализации и в каких случаях это целесообразно.
Кто есть кто в мире аналитики
Если смотреть на современный рынок труда, может сложиться впечатление, что большинство компаний ищут универсального профессионала, который будет совмещать обязанности системного и бизнес-аналитика. Немного особняком стоит аналитик данных, в описаниях вакансий для которого встречаются рабочие задачи ученого по данным (Data Scientist’а) и BI-специалиста. При том, что все перечисленные специализации ориентированы на решение прикладных проблем с помощью анализа, каждая из них имеет свои объекты, методы и средства профессиональной деятельности, которые отличаются друг от друга.
Примечательно, что в России пока официально не существует профессии «аналитик данных» в связи с отсутствием соответствующего профессионального стандарта. Системный и бизнес-аналитик признаны отечественным Министерством труда, о чем свидетельствуют профессиональные стандарты, которые мы рассмотрим далее.
Основы бизнес-анализа: вход в профессию для начинающих
Код курса
INTRO
Ближайшая дата курса
27 марта, 2023
Длительность обучения
24 ак.часов
Стоимость обучения
50 000 руб.
Бизнес-аналитик vs системный: в чем разница
Прежде всего отметим, что обе рассматриваемые профессии очень молодые – им нет еще и 10 лет. Профессиональный стандарт «Системный аналитик» утвержден Приказом Минтруда в 2014 году [1], а «Бизнес-аналитик» – в 2018 [2].
Детальное сравнение этих стандартов показывает основную разницу между системным и бизнес-аналитиком:
- системный аналитик работает с требованиями к программному обеспечению (ПО), автоматизированной или информационной системе, тогда как бизнес-аналитик не ограничивается только этими корпоративными активами, а обеспечивает возможность проведения изменений в организации, которые принесут пользу заинтересованным сторонам (стейкхолдерам) через выявление их потребностей и обоснование оптимальных решений.
- поскольку системный аналитик фокусируется на ПО, стандарт уделяет большое внимание разработке программной документации (техническое задание, программа и методика испытаний, различные аспекты тестирования, регламенты эксплуатации системы), а бизнес-аналитик должен уметь представлять информацию стейкхолдерам комплексно, разными способами и в различных форматах с учетом цели и аудитории, о чем мы писали в этой статье;
- типичные менеджерские задачи (в смысле управления людьми) четче прописаны в стандарте «Системный аналитик» (функция «Оценка квалификации, аттестация и планирование профессионального развития системных аналитиков»), тогда как бизнес-аналитик больше сосредоточен на управлении собственной деятельностью по бизнес-анализу.
Однако, разбирая подробно каждую трудовую функцию, можно выявить множество похожих действий, умений и знаний. Например, следующие задачи в разных профессиональных стандартах отличаются лишь формулировками:
- выявление информации у стейкхолдеров;
- разработка требований к программному обеспечению, которое, в основном, и является решением для удовлетворения потребностей стейкхолдеров в терминах BABOK;
- разработка технико-экономического обоснования и расчет финансовых параметров возможных решений (окупаемость и прочие целевые показатели);
- оценка изменений;
- анализ рисков;
- наглядное представление информации для обсуждения с заинтересованными сторонами.
Таким образом, рабочие задачи системного и бизнес-аналитика пересекаются в области проектирования и внедрения программного обеспечения. Однако, деятельность бизнес-аналитика охватывает предприятие шире, включая изучение и реинжиниринг бизнес-процессов и организационной структуры, а также анализ и разработку стратегии изменений всей организации.
Чем отличаются аналитик данных, BI-специалист и Data Scientist
В отличие от системного и бизнес-аналитика, которые взаимодействуют со стейкхолдерами и прикладными решениями, аналитик данных работает с массивами информации, извлекая из них сведения, ценные для бизнеса с точки зрения принятия оптимальных управленческих решений. Часто аналитик данных работает только со структурированными данными в рамках специализированных дэшбордов BI-систем (Business Intelligence), таких как Power BI, Tableau, Google Data Studio и т.д. В этом случае он выполняет обязанности BI-специалиста, настраивая витрины данных ток, чтобы они наглядно показывали текущие тенденции и важные производственные показатели. Как правило, именно эту картину и принято называть «бизнес-аналитикой» или бизнес-аналитикой данных (Business Data Analytics) в терминологии международного института бизнес-анализа IIBA®, о чем мы упоминаем здесь. Не стоит путать это понятие с бизнес-анализом – рядом задач по выявлению бизнес-проблем, выяснению потребностей заинтересованных сторон, обоснованию решений и обеспечению проведения изменений в организации, как это регламентирует BABOK®Guide и отечественный профстандарт [2].
Если же необходимо проанализировать так называемые «сырые данные» из разных источников и представленные в разных форматах, то Data Analyst выполняет целый комплекс специальных операций [3]:
- сбор данных;
- подготовка данных к анализу (выборка, очистка, сортировка);
- поиск закономерностей в информационных наборах;
- визуализация данных для быстрого понимания имеющихся результатов и будущих тенденций;
- формулирование гипотез по улучшению конкретных бизнес-метрик за счет изменения других показателей.
Иногда аналитик больших данных (Big Data) также занимается разработкой и тестированием моделей машинного обучения (Machine Learning). Однако, в большинстве случаев, Machine Learning является областью ответственности другого Big Data специалиста – исследователя или ученого по данным (Data Scientist’а) [3].
По сравнению с аналитиком данных, Data Scientist больше фокусируется на автоматизации процессов сбора и подготовки информации, включая построение так называемых конвейеров обработки данных (data pipeline). Эти задачи пересекаются с работой инженера данных (Data Engineer) и требуют владения технологиями Big Data (Apache Hadoop, Spark, Kafka), облачными вычислениями и инструментами разработки программного обеспечения, включая навыки построения распределенных приложений и опыт быстрого развертывания решений с помощью современного DevOps-инструментария [4].
Управление бизнес-анализом — курс для руководителей
Код курса
BAMP
Ближайшая дата курса
22 мая, 2023
Длительность обучения
8 ак.часов
Стоимость обучения
15 000 руб.
Подводя итог описанию различных профессий в области анализа, отметим, что на практике в небольших компаниях все эти специализации могут совмещаться и выполняться одним человеком. Однако, в крупных проектах и больших корпорациях обычно присутствует профильное разделение, т.к. из-за огромного объема работ «пропускная способность» одного человека не позволяет ему обеспечить качественное выполнение всех задач. Кроме того, сегодня также можно встретить продуктового и веб-аналитика, о которых мы рассказываем здесь и здесь.
Если вы все-такие не до конца уяснили отличия системного и бизнес-аналитика, читайте нашу новую статью с наглядным примером. А разобраться с основами системного и бизнес-анализа в прикладном смысле, в т.ч. с точки зрения руководства BABOK®Guide на практических примерах вам помогут курсы нашей Школы прикладного бизнес-анализа в лицензированном учебном центре обучения и повышения квалификации системных и бизнес-аналитиков в Москве:
- Лучшее из BABOK®Guide: ТОП-10 задач и техник для аналитика
- Управление бизнес-анализом – курс для руководителей
Источники
- Профессиональный стандарт «Системный аналитик» http://fgosvo.ru/uploadfiles/profstandart/06.022.pdf
- Профессиональный стандарт «Бизнес-аналитик» http://fgosvo.ru/uploadfiles/profstandart/08.036_1.pdf
- Кто такой Data Analyst в Big Data: что нужно знать аналитику данных https://www.bigdataschool.ru/bigdata/data-analyst-big-data.html
- Data Analytics and Data Science: сходства и различия https://chernobrovov.ru/articles/analitika-dannyh-i-data-science-shodstva-i-razlichiya.html
Business Intelligence:
The term Business Intelligence (BI) alludes to advances, applications, and hones for the collection, integration, examination, and introduction of business data. The reason for Commerce Insights is to bolster superior trade choice making. Basically, Trade Insights frameworks are data-driven Decision Support Systems (DSS). Business Intelligence is now and then utilized traded with briefing books, reports and inquiry instruments, and official data frameworks. Business Intelligence frameworks give authentic, current, and prescient sees of commercial operations, most frequently utilizing information that has been assembled into an information stockroom or an information shop and sometimes working from operational information.
Advantages of Business Intelligence:
- BI is focused on providing insights based on historical data, allowing businesses to understand trends and patterns in their operations.
- BI provides a comprehensive view of the organization’s operations, allowing managers to understand performance across multiple departments and functions.
- BI can help identify opportunities for cost reduction and process improvement, leading to increased efficiency and profitability.
Disadvantages of Business Intelligence:
- BI is focused on historical data, which may not provide an accurate picture of current or future conditions.
- BI can be resource-intensive, requiring significant investment in data collection and processing, as well as specialized software and hardware.
- BI may not provide the level of detail or granularity needed to address specific business challenges.
Data analytics:
Data analytics (DA) is that the strategy of analyzing information sets to conclude the data they contain, continuously with the assistance of particular frameworks and computer program bundle. Information Analytics strategies are generally utilized in IT Companies to improve the associations to make more-information organization choices and by researchers and analysts to test or diverse logical models, standards, and information.
Advantages of Data Analytics:
- DA is focused on providing insights based on both historical and real-time data, allowing businesses to understand trends and patterns in their operations in real-time.
- DA provides a more granular view of the organization’s operations, allowing managers to identify trends and insights that may not be visible with traditional BI methods.
- DA can help organizations optimize their operations by analyzing data from various sources and identifying areas for improvement.
Disadvantages of Data Analytics:
- DA can be more challenging to implement than traditional BI methods, requiring advanced data processing and analytics technologies.
- DA requires significant expertise in data science, making it more difficult for organizations to build and maintain a capable team.
- DA can be resource-intensive, requiring significant investment in data collection and processing, as well as specialized software and hardware.
Similarities between Business Intelligence and Data Analytics:
- Both BI and DA involve the use of data analysis to provide insights that can help organizations make better decisions.
- Both approaches use advanced statistical and mathematical models to analyze data.
- Both approaches require significant expertise in statistical analysis and data science.
Below is a table of differences between Business Intelligence and Data Analytics:
.Difference-table { border-collapse: collapse; width: 100%; } .Difference-table td { text-color: black !important; border: 1px solid #5fb962; text-align: left !important; padding: 8px; } .Difference-table th { border: 1px solid #5fb962; padding: 8px; } .Difference-table tr>th{ background-color: #c6ebd9; vertical-align: middle; } .Difference-table tr:nth-child(odd) { background-color: #ffffff; }
| Business Intelligence | Data Analytics |
|---|---|
| Business Intelligence alludes to the data required to upgrade commerce decision-making activities. | Data Analytics alludes to altering the crude information into a significant arrange. |
| The prime reason of business intelligence is to supply back in choice-making and offer assistance the organizations to develop their business. | The prime reason for data analytics is to demonstrate, cleanse, foresee and change the information as per the trade needs. |
| Business Intelligence can be executed utilizing different BI devices accessible within the advertisement. BI is executed as it were on Verifiable information put away in information distribution centers or data marts. | Data analytics can be executed utilizing different data storage devices accessible within the advertisement. Information analytics can moreover be actualized utilizing BI devices but it depends on the approach or methodology outlined by an organization. |
| BI component can be repaired as it were through verifiable information given and the conclusion client requirements. | Data Analytics can be repaired through the proposed show to change over the information into a important organize. |
| The term Business Intelligence has come into presence in 1865. | Data analytics has been around since19th century, but it has developed its conspicuousness in 1960’s. |
| Business Intelligence, on the other hand, is actualized in a circumstance where an organization doesn’t have any changes to its current trade demonstrate and its prime reason is to meet organizational goals | Data Analytics is executed in a circumstance where an organization is moderately unused and needs critical changes to its commerce model. |
| Business Intelligence (BI) Tools incorporate: Klipfolio, InsightSquared Deals Analytics, ThoughtSpot, TIBCO Spotfire, Alteryx Stage, Domo, Cyfe, Sisense, Looker, Microsoft Control BI. | Data analytics tools are Tableau Public, SAS, Apache Spark., Excel., RapidMiner, KNIME, QlikView. |
| Key skills for business intelligence are Data collection and Management, Data Stockroom concepts, Understanding of diverse data sources and exchange applications, Domain and business information. | Key skills for a data analysis A tall level of scientific ability, Programming languages, such as SQL, Oracle, and Python, The capacity to analyze, demonstrate and translate data, Problem-solving skills. |
Conclusion:
Business Intelligence and Data Analytics are two important approaches to data analysis, with significant differences in their focus, scope, techniques, time horizon, and applications. Business Intelligence is focused on analyzing historical and current data to provide insights into business operations and performance, while Data Analytics is focused on analyzing data to uncover insights, trends, and patterns. Both approaches have their strengths and weaknesses, and organizations can benefit from using a combination of both to gain a comprehensive understanding of their business operations and to make better decisions
Какая специальность вам подходит — аналитик данных (data analyst) или бизнес-аналитик (business analyst)?
В небольших организациях эти должности могут быть совмещены в одном человеке. Однако в крупных организациях часто работают аналитики данных и бизнес-аналитики, поэтому важно понимать разницу между двумя профессиями.
Хотя аналитики данных и бизнес-аналитики работают с данными, основное отличие заключается в том, что они делают с ними. Бизнес-аналитики используют данные, чтобы помочь организациям принимать более эффективные бизнес-решения, в то время как аналитики данных больше заинтересованы в сборе и анализе данных для бизнеса.
Получить консультацию о выборе специальности
«Проще говоря, данные — это средство для бизнес-аналитиков, а данные — конечная цель для аналитиков», — говорит Мартин Шедлбауэр, профессор и директор программ в области информации и наук о данных, в том числе программ магистратуры магистра Master of Science in Computer Science и Master of Science in Data Science американского университета Northeastern.
Так какой путь карьеры вам подходит: аналитик данных или бизнес-аналитик? Чтобы определить это, вам необходимо учитывать три фактора: ваш образовательный и профессиональный опыт, интересы, карьерные ожидания.
Учитывайте свой предыдущий образовательный и профессиональный опыт
Бизнес-аналитики и аналитики данных, как правило, имеют различную образовательную и профессиональную подготовку, говорит Блейк Ангов, директор по технологическим сервисам рекрутинговой компании LaSalle Network.
Например, бизнес-аналитики (также иногда называемые системными аналитиками) обычно получают степень бакалавра по специальности бизнес. Они в основном используют данные, чтобы сделать бизнес-операции более эффективными. Они обладают знаниями, но зачастую не являются экспертами по различным языкам программирования.
«Бизнес-аналитики могут брать требования бизнеса и работать между бизнесом и технической командой над разработкой, например, программного пакета или внедрением новой CRM-системы», — говорит Ангов.
Получить консультацию о выборе специальности
Аналитики данных, с другой стороны, работают с большими наборами данных все время. Их задача — выявлять тенденции, готовить материал в виде графиков и диаграмм для принятия решения бизнесом. Эти специалисты, как правило, являются специалистами STEM и часто имеют ученую степень и обширный опыт работы в области математики, естественных наук, программирования, баз данных, моделирования и прогнозной аналитики.
Учитывайте свои интересы
Вам нравится работать с цифрами? Или вы прирожденный коммуникатор, который найдет решение любой задачи?
По словам Шедлбауэра, бизнес-аналитикам нравится работать в корпоративном мире, и они больше заинтересованы в поиске путей решения проблем. Например, им может быть поручено исследовать, организовывать и контролировать внедрение нового рабочего процесса. Эти люди часто являются прирожденными коммуникаторами — и письменные, и устные навыки необходимы, поскольку они должны объяснять техническую составляющую всем участникам процесса и быть понятым.
Аналитики данных — это люди, которые живут в мире цифр. Они обычно хороши в таких областях, как статистика и программирование. Являясь держателями и работая с базами данных, они извлекают из них информацию, нужную бизнесу. По словам Шедлбауэра, для аналитиков данных также важно иметь интерес и глубокое знание отрасли, в которой они работают.
Подумайте о своей карьере
Хотя бизнес-аналитики и аналитики данных имеют некоторые общие черты, они различаются по зарплате и возможному карьерному росту.
Поскольку бизнес-аналитики не обязаны обладать такими же глубокими знаниями в области программирования, как аналитики данных, должности начального уровня платят несколько меньшую зарплату, чем аналитики данных, поясняет Ангов. По данным PayScale, зарплата бизнес-аналитика, работающего в сфере IT, составляет в среднем 67194 доллара (рынок США).
«У бизнес-аналитиков, однако, существует определенный потолок с точки зрения продвижения и зарплаты», — говорит Ангов. «Старшие бизнес-аналитики в итоге получат около 100 000 долларов».
Для того, чтобы перейти к роли аналитика необходимо дополнительное обучение и навыки.
Аналитики данных, с другой стороны, имеют более высокий потенциал заработка и больше возможностей для карьерного роста, говорит Ангове. Поскольку эти специалисты работают в основном с базами данных, есть возможности для развития с приобретением дополнительных навыков, таких как изучения инструментов для работы с данным R и Python. Кроме того, аналитики данных могут легко перейти на карьеру разработчика или научную деятельность при наличии ученых степеней.
Подведя итог
Несмотря на различия между аналитиками данных и бизнес-аналитиками, у людей обеих профессий есть многообещающее будущее.
Получить консультацию о выборе специальности
«Сейчас обе специальности пользуются спросом», — говорит Ангов. «Работа с данными является важной зоной роста для многих компаний. И востребованность в квалифицированных кадрах велика».
Где можно изучать специальности, связанные с анализом данных:
Университеты Великобритании
- City, University of London
- Glasgow Caledonian University
- University of Brighton
- University of Essex
- University of Liverpool
Университеты США
- Arizona State University, Tempe Campus
- Drew University
- George Mason University
- Northeastern University
- Oregon State University
- The University of Alabama at Birmingham
- University of Central Florida
- University of Illinois at Chicago
- University of Massachusetts Boston
- University of the Pacific
- University of South Carolina
Приглашаем на консультацию по выбору программы и поступлению в зарубежные университеты и колледжи. У сотрудников Unimind есть успешный опыт зачисления студентов в учебные заведения США, Канады, Великобритании, Нидерландов:
- University of Warwick
- University College London
- London School of Economics and Political Sciences
- Kings College London
- University of St. Andrews
- University of Exeter
- University of Leeds
- University of Glasgow
- University of Reading
- City University
- Newcastle University
- University of British Columbia
- University of Toronto
- Simon Fraser University
- Northeastern University
- New York University
- University of Massachusetts
- University of Miami
- University of Amsterdam
- Delft University of Technology
- Eindhoven University of Technology
- University of Groningen
- Maastricht University.
и многие другие.
+38 097 797 35 79
Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.
Unimind, 15 лет опыта в сфере образования за рубежом
Такая разная аналитика
Большой разбор: чем бизнес-аналитика отличается от продуктовой, продуктовая — от мобильной, в чём суть предиктивного анализа, и какие виды аналитики ещё есть
На старт, внимание, марш — сегодня погружаемся в глубины бизнесовой аналитики. Как оказалось, направлений такого анализа слишком много, чтобы держать всё это в голове (и отличать их), поэтому мы решили досконально разобраться, чем отличаются разные виды аналитик и когда они особенно нужны бизнесу.
Business Intelligence и бизнес-аналитика
Business Intelligence (BI) — это цифровые методы и инструменты, которые помогают свести разрозненную деловую информацию (финансовые, производственные, маркетинговые, бухгалтерские показатели) в единую систему, которую просто и удобно анализировать. Это понятие часто приравнивают к «бизнес-аналитике», но есть разница.
Бизнес-аналитика — это процесс анализа уже собранных, обработанных и подготовленных к анализу данных. Она оценивает текущую ситуацию и помогает делать прогнозы, поэтому её ещё иногда зовут углубленной аналитикой.
Business Intelligence — это, скорее, сам процесс сбора, обработки и «очистки» всевозможных данных и преобразование их в удобный формат. Такая аналитика помогает интерпретировать большие массивы данных, делая акценты на ключевых факторах, моделировать эффект от управленческих решений и оценивать их результаты. Поэтому её часто называют «продвинутой аналитикой».
Обычно для Business Intelligence используют специальный софт или так называемые BI-системы — например, платформы Microsoft Power BI, Tableau, Qlik, или системы Sisense, Zoomdata, Information Builders. Подобные сервисы работают по следующему алгоритму:
Загрузка данных
Сначала вы, как следует, «кормите» систему богатым меню информации из разных источников: от таблиц до облачных систем вроде Microsoft Azure. Данные преобразуются, пересобираются в модель и отправляются в хранилище, чтобы их было легко анализировать.
Анализ данных
С помощью алгоритмов и средств автоматизации обнаруживаются закономерности и расхождения, показываются тенденции и предлагаются рекомендации (обычно используется сразу несколько методов анализа — исследовательский, описательный, статистический, прогнозный).
Визуализация данных
Итоговые отчёты оформляются в виде графиков, диаграмм, панелей мониторинга, которые отражают текущее положение дел в бизнесе. Чаще всего для аналитики и визуализации подобные сервисы используют ИИ и машинное обучение.
Когда данные визуализированы и собраны в удобный дашборд (панель с ключевыми параметрами, изображенными в виде графиков и диаграмм), проще вносить корректировки в текущие процессы и легче обдумывать стратегические решения: в работе с клиентами, продажах, маркетинге, финансах или безопасности. Интерфейс у таких платформ обычно понятен даже не специалисту, и нужный отчёт можно получить за пару кликов.
Как может выглядеть такая аналитика — на примере сервиса Qlik (источник)
Эксперты говорят, что если раньше бизнес-аналитика была прерогативой нескольких «посвященных людей» в компании, то теперь это вполне доступный инструмент для работы сотрудников из самых разных департаментов, с помощью которого им проще принимать решения.
Но при этом есть такое явление как «BI-плато» — когда данные доступны широкому кругу сотрудников, но далеко не каждый из них умеет извлекать из такой информации пользу. На помощь приходят подсказки от разработчиков внутри софта (часто — с использованием машинного обучения) или возможность общаться с аналитической системой на естественном языке (NLP, natural language processing).
Аналитика с помощью системы Business Intelligence будет особенно эффективна, если в основу анализа ляжет информация как из внешних (сведения о рынке и потребителях), так и из внутренних (финансы, производственные показатели, маркетинг) источников. Сочетание внешней и внутренней информации отражает более реалистичную картину мира с точки зрения ведения бизнеса. Старая-добрая Яндекс.Метрика на такое точно не способна 
Когда нужна BI-система
Потенциально — всегда, если вы хотите понимать, что происходит с бизнесом и какие зависимости между разными внешними и внутренними параметрами существуют. Но особенно такая аналитика пригодится, если вы:
- собираете много данных из разных источников и хотите их систематизировать;
- планируете расширять бизнес или запускать новый продукт, но сначала хотите проверить гипотезы с учетом аналитики;
- хотите оценить несколько возможных бизнес-решений с точки зрения их влияния на ключевые показатели деятельности;
- хотите прогнозировать развитие компании на основе имеющихся аналитических данных;
- хотите всесторонне мониторить бизнес-систему и оптимизировать процессы;
- отчаялись найти адекватного специалиста по Data Science (наука о данных) к себе в команду.
Дата-сайентист — тот, кто сам будет собирать, обрабатывать и анализировать данные — в московский офис может обойтись вам в 150−200 тысяч ежемесячно и более (спрос HR-специалистов на январь 2021 года). Ценник на одного пользователя BI-систем — скажем, это будете вы сами — варьирует от $ 9,99 (Microsoft Power BI) до $ 70 (Tableau).
Крупные корпорации, как правило, стараются создавать собственные цифровые платформы для аналитики и всячески их улучшать — для них это важно стратегически. Для малого и среднего бизнеса, а также государственного сектора «упрощенные» BI-решения в последние пару лет становятся всё более актуальными — это не так дорого, как раньше, и даёт бОльшую управляемость в процессах. Рынок подстраивается под запрос и создаёт крутые решения с понятным юзабилити, простой интеграцией в бизнес-процессы и набором аналитических инструментов внутри для типичных задач.
Российские BI-системы
Если ваша деятельность связана с производством или государственным сектором, возможно, вам пригодятся разработки российских компаний в сфере Business Intelligence: например, Visiology — вариант, если нужно анализировать много данных, а облачные системы не подходят (есть мобильное приложение и даже телеграм-бот). Среди альтернатив — Alpha BI, Ctrl2GO (для промышленности) или Luxms BI.
Продуктовая аналитика
Ботаники следят за тем, как развиваются растения, педиатры — как развиваются дети, а продуктовые аналитики — как развивается пользовательский опыт в продукте: куда люди кликают, как часто пользуются продуктом, что кладут в корзину и так далее. Зная эту информацию, можно делать гипотезы о развитии продукта: добавлять новые фичи и находить, где люди спотыкаются (да, это та самая UX-аналитика, которая является частью продуктовой).
Цель продуктовой аналитики — улучшение продукта: с точки зрения пользовательского опыта, эффективности маркетинговых активностей и прибыльности для его владельца. За основу здесь берутся финансовые, маркетинговые и пользовательские метрики, отслеживая которые можно эффективнее управлять бюджетами на разработку и продвижение и улучшать пользовательский опыт.
Продуктовая аналитика может сказать, как именно влияет продукт на разные бизнесовые показатели, и как их можно улучшить за счёт изменений в самом продукте. Например, добавить пуш-уведомления в приложение, чтобы увеличить возврат пользователей — а с этим и количество повторных заказов. Потому что удерживать текущих пользователей всегда дешевле, чем привлекать новых.
Продуктовую аналитику иногда относят к бизнес-аналитике. Бизнес-аналитика говорит о том, как дела в бизнесе на сегодняшний момент (сколько заработали в прошлом месяце или на этой неделе, сколько «слили» на маркетинг и какой был эффект), а продуктовая аналитика — по аналогии — даёт понимание о текущем положении дел в конкретном продукте. Но здесь есть проблема: для продуктовой аналитики простого анализа того, как продукт чувствует себя сейчас, мало.
Бизнес-аналитика не работает в режиме быстрых итераций: посмотрели на данные — выдвинули гипотезу — проверили — оценили эффект. Она заточена под анализ Big Data и принятие стратегических решений.
Продуктовая же аналитика приносит эффект лишь тогда, когда её используют в режиме реального времени: оценивают имеющиеся данные, строят продуктовые гипотезы, проверяют их и оценивают эффект на продукт здесь и сейчас. Продуктовые гипотезы обычно являются решением какой-то проблемы пользователя, а их эффект оценить проще, когда идёшь от обратного: опровержение гипотезы — куда более доказательно, чем её подтверждение.
Настройка продуктовой аналитики предполагает затраты — для начала, на создание плана измерений (measurement plan). Это документ, где прописаны ключевые KPI плюс события и их свойства, которые оценивают выполнение KPI. Например, измеряемыми метриками могут быть средний чек, LTV (Lifetime Value — пожизненная ценность клиента), Retention (возврат клиентов), Conversion Rate (конверсия страницы), а событиями — «успешная оплата на странице транзакции» или «повторная покупка».
Главное с продуктовыми KPI — не перебарщивать: часто бывает, когда пытаются навесить события на каждый «шорох» пользователя в продукте. В итоге получается тонна данных, из которых используется только 10−20%, а на сбор этой информации уже потрачены трудовые часы (и деньги).
Скорее всего, изучать поведение пользователя в продукте вы будете не вручную — поэтому в затраты на продуктовую аналитику надо включать также стоимость аналитических платформ вроде Amplitude, Mixpanel, AppsFlyer или уже знакомого Tableau. Само собой, базовые бесплатные инструменты — Google Analytics или Яндекс. Метрику — никто не отменял.
Как может выглядеть дашборд продуктовой аналитики (источник)
Да, вы, как владелец продукта, заинтересованы в его успешном развитии, как никто другой. Но если с аналитической платформой вы вполне справитесь сами, то с другими популярными инструментами в арсенале аналитиков вы можете быть знакомы лишь заочно.
Тогда в команде пригодится продуктовый аналитик — такие специалисты, как правило, владеют языком программирования Python, который очень пригодится, если нужно автоматизировать обработку больших массивов данных или визуализировать их, а также построить модели прогнозирования. А ещё они умеют работать с SQL — инструментом для взаимодействия с базами данных продукта. За счёт этого знания продуктовые аналитики могут обходиться без разработчиков, когда нужно обработать или скомпоновать данные.
Что ещё может использовать продуктовый аналитик (источник)
Но наличие продуктового аналитика в команде всё равно не спасёт вас от того, чтобы разбираться в ключевых метриках продукта
Владимир
CEO & Founder Сибирикс
Вот буквально вчера приходил на собеседование парень с такими компетенциями. Немного SQL, немного Python. В резюме всякие умные слова про PowerBi. Работает у крупного ретейлера, аналитиком. Я его спрашиваю — делаешь-то что? Говорит — отчеты готовлю, данные выбираю. Я говорю: «Ну у тебя ж там всё по-любому автоматизировано должно быть, давно. Три кнопки нажимай, и всё». Он: «Ну нет, не автоматизировано. Выбираю данные, затем засовываю их в Excel, как-то соединяю». Ну, говорю, это у тебя час-два в месяц должно занимать. А в остальное время-то что? Он мне: «Ну да, у меня загрузка на 2 дня в неделю». Спрашиваю — а не кажется ли тебе, что ты какой-то херней занимаешься? Он мне: «Не кажется, именно по этому я здесь…». Дал ему в шутку старинную задачку на SQL. C 4-й попытки сделал, но как-то неуверенно.
Я это к чему. Вокруг аналитики и выборки данных нашайтанили очень большую дымовую завесу из умных слов. А предикцию и нормальную математику мало-мало кто умеет. Математика вообще как-то немодной стала. По факту перекладываем данные из левого кармана в правый и картинки по ним выводим. Не все конечно, но большая часть. Словом, если не знаешь, какой херней ты занимаешься на работе — назови это Аналитикой
Когда нужна продуктовая аналитика
Если бы у Икара был хотя бы простенький дашборд, где показывалась бы температура окружающей среды и степень плавления воска в его крылышках, он, вероятно, смог бы избежать печальной участи. Так что, пожалуй, продуктовая аналитика нужна всегда, когда вы хотите делать успешный продукт, который не просто «взлетит», но и продолжит своё развитие.
Но особенно продуктовая аналитика пригодится, если:
- вы ищете точки роста — продукт работает, но вы не понимаете, как его масштабировать;
- пользователи никак не хотят превращаться в покупателей — привязав конкретные события к шагам на Customer Journey Map, проще понять типичные «затыки» и устранить их;
- вам нужен краткий срез метрик продукта для постоянного мониторинга и принятия решений — аналитика хороша, когда она регулярна;
- у вас есть продуктовые гипотезы, и их нужно проверить — изучая эффект на пальцах конкретных метриках, проще делать выводы;
- вашим А/В-тестам не хватает прозрачности — красная кнопка действительно лучше работает или это эффект чёрной пятницы?
Мобильная аналитика
Мобильная аналитика — часть продуктовой. Её цель — оценивать эффективность конкретного продукта: мобильного приложения. И сейчас этот вид аналитики очень популярен, учитывая, что большинство компаний рано или поздно приходят к созданию собственного мобильного приложения.
Для мобильной аналитики изучают маркетинговую аналитику приложения (сколько бюджета на привлечение было потрачено и какой был эффект), аналитику самого приложения (как пользователи себя ведут, используя продукт) и аналитику сторов — Google Play Console и Apple Store Connect. В сторах можно найти данные о платежах, о загрузках, о повторных подписках, о сроке жизни приложения на устройстве пользователя и ещё много чего интересного.
Ребята из vc.ru и сервис мобильной аналитики Adjust подготовили словарь мобильного аналитика — внутри вы найдёте описания ключевых понятий, а также важные метрики и формулы их расчёта.
Мобильная аналитика, как и продуктовая, — изучает множество метрик и погружается в глубины глубин поведения пользователей, чтобы найти взаимосвязи. Поэтому новичкам с ней всегда сложно: эти взаимосвязи не лежат на поверхности, отчего бывает непросто понять, что добавление какой-то супер-полезной фичи (которая по гипотезе должна сделать продукт лучше) в итоге увеличит отток пользователей просто потому, что приложение будет весить на пару гигабайтов больше.
Но даже если вы вооружитесь пачкой метрик мобильной аналитики, это не подскажет вам на 100%, как действовать: какие фичи добавлять и выстрелят ли они. Поэтому, по-хорошему, придётся использовать всю свою интуицию — просто потому что ваш продукт уникален (только если вы не пилите второй Фейсбук), и вряд ли кто-то подскажет, что с ним делать дальше. Поэтому на данные аналитики надейся, а сам не плошай
Масло в огонь подливают две такие разные операционные системы — iOS и Android. Если вы делаете не кроссплатформенное приложение, то готовьтесь к вечному перетягиванию одеяла: идеальная фича для айфонщиков может стать катастрофическим г*ном для адроидоводов. И такие вещи всегда будут влиять на результаты мобильной аналитики, потому что интерпретировать эти противоречивые данные не так-то просто.
Когда нужна мобильная аналитика
Если вы делаете собственное приложение не для галочки и планируете на нём зарабатывать — без мобильной аналитики не обойтись. А ещё не обойтись без хорошего специалиста и удобных платформ для анализа мобильных приложений: например, того же Adjust или AppMetrica от Яндекса, гугловского Firebase, а ещё — Amplitude, AppAnnie или уже знакомого Mixpanel. Ну и если вы всё ещё доверяете Фейсбуку, то можете попробовать Facebook Analytics.
Владимир
CEO & Founder Сибирикс
Из всех попробованных инструментов мне больше всего понравился AppsFlyer. Но цены, конечно, кусучие.
Предиктивная аналитика
Что, если в астрологию вы не верите, а строить догадки о развитии продукта или бизнеса на основе бизнес-аналитики не хотите (или не умеете)? Добро пожаловать в мир предиктивной аналитики. Она использует исторические данные, которые с помощью статистических алгоритмов и методов машинного обучения превращаются в прогнозы будущих результатов.
Проблема бизнес-аналитики в том, что она опирается только на прошлое — то, что уже произошло в предыдущие периоды: сколько было выручки, потребителей, маркетинговых активностей. Предиктивная аналитика же помогает заглянуть в будущее — наверное, поэтому эта технология интеллектуальной автоматизации используется большинством крупных предприятий в мире.
Чтобы создать адекватную модель для предиктивной аналитики, нужны данные: внутренние (то, что мы уже знаем о бизнесе — ассортимент, товарооборот, выручка, количество клиентов) и внешние (всё, что так или иначе влияет на бизнес — статистика коронавируса, биржевые котировки или даже погода). Вот почему бизнес-аналитика хуже справляется с прогнозами — обычно она оперирует только внутренними данными, хотя на бизнес всегда влияют и внешние факторы.
Другой вопрос в том, что внешние данные иногда не так-то просто собрать (процесс сбора данных ещё называют Data Mining). Например, чтобы добыть информацию о чеках, придётся договариваться с операторами фискальных данных. А за какую-то информацию придётся даже платить. Поэтому каждый раз приходится думать, насколько такие данные смогут сделать прогноз точнее, и соизмеримы ли затраты на их добычу с эффектом от их использования в модели прогноза.
Как построить такую модель — опыт Redmadrobot:
Собрать все необходимые данные.
Поделить их случайным образом: 80% — тренировочная выборка, 20% — валидационная выборка. На первой модель будут обучать, на второй — проверять, что она работает верно.
Поделить тренировочную выборку (80%) на обучающую (70%) и тестовую выборки (30%). На первой модель обучается, на второй — проверяется.
Если всё работает адекватно, проверить результат на валидационной выборке (20% данных).
Если всё работает и здесь, модель готова предсказывать.
«Завернуть» модель в веб-интерфейс или приложение — тогда она сможет продолжить обучаться.
Следить за обучением модели и корректировать её поведение (можно автоматизировать и этот процесс, но тогда при малейшей неадекватности данных — вроде событий коронакризиса — данные будут искажаться).
Предиктивную аналитику на основе нейросетей уже давно хотят задействовать в прогнозах для тех сфер, где малейшие колебания приводят к серьёзным взлётам и падениям прибылей — например, для прогнозов цен на нефть или для биржевого рынка. Но пока это всё ещё запретный плод (может быть, это даже хорошо).
Как рассказывает РБК Trends, в 2018-м российские специалисты попробовали предугадать нефтяные цены на два года вперёд с помощью самообучающейся нейронной модели. По их прогнозам, в середине 2020-го цена Brent должна была упасть до $ 50 за баррель. А в итоге всё получилось куда хуже (в марте — $ 23 за баррель), потому что пандемию предсказать модель, увы, не могла.
На самом деле ситуация оказалась куда хуже. Нейросеть не смогла учесть влияние пандемии. На фоне коронавируса в марте 2020-го стоимость Brent падала ниже $ 23 за баррель. А концу первого полугодия с трудом дотянула до отметки $ 40−43.
Когда нужна предиктивная аналитика
Предиктивная аналитика пригодится, если:
- вы хотите точнее прогнозировать бюджеты — не полагаться на исторические данные, а предугадывать будущие потребности;
- нужно предсказать поведение потребителя, чтобы создать более качественные продукты и услуги под его потребности или увеличить отдачу от своих клиентов (средний чек, конверсии, лояльность);
- нужно снизить затраты на маркетинг — прогнозные модели могут учитывать цикл жизни клиента и предугадывать его поведение;
- нужно принять стратегическое решение, а исторических данных для этого недостаточно;
- вы хотите увеличить продажи — предиктивная аналитика на основе истории покупок конкретного пользователя помогает предугадать другие продукты и услуги, которые он купил бы;
- нужен прогноз эффективности рекламного контента и маркетинговых активностей;
- вы хотите предсказывать LTV клиента и иметь возможность влиять на этот показатель;
- у вас производство на базе высокотехнологичного оборудования, и нужно предугадывать его поломки сильно заранее;
- нужно предсказать текучку кадров и найти причины, чтобы её устранить.
Предиктивную аналитику можно реализовать с помощью языков программирования — всё того же Python или R. А можно воспользоваться готовыми инструментами: RapidMiner, Knime, гугловским BigQuery, Oracle Big Data Preparation или TIBCO Spotfire (на самом деле, инструментов куда больше).
Сквозная аналитика
Сквозная аналитика — это маркетинговая, бизнесовая и продуктовая аналитики, но по чуть-чуть. Она отслеживает путь пользователя от просмотра рекламного объявления до покупки и оперирует сразу огромным объёмом информации: базами данных (в том числе, из CRM-систем), аналитическим софтом, инструментами визуализации, данными коллтрекинга и почтовых рассылок.
В результате получается сводный дашборд с базовыми метриками, которые объединяют маркетинг, финансы и продажи в единую взаимозависимую систему:
- ROMI (Return on Marketing Investments) — возврат инвестиций на маркетинг;
- ROAS (Return on Ad Spend) — возврат инвестиций на рекламу;
- ROI (Return on Investments) — возврат инвестиций;
- CPO (Cost per Order) — стоимость заказа;
- CPA (Cost per Action) — стоимость целевого действия;
- CTR (Click through Rate) — показатель кликабельности;
- LTV (Lifetime value) —жизненный цикл клиента.
В идеальной картине мира сквозную аналитику настроить проще простого: ведь данные уже основательно собираются и грамотно хранятся, все рекламные активности отслеживаются с помощью UTM-меток, а все заказы и данные о клиентах бережно вносятся в CRM. Ну да, ну да, так не бывает. Обычно разговор о сквозной аналитике заходит тогда, когда данные накрывают лавиной, и вручную их уже не обработать.
Когда нужна сквозная аналитика
Если у вас нет вообще никакой аналитики, то сквозная могла бы стать первой ступенькой к управляемости бизнес-процессов. Правда, для сбора ключевых метрик придётся работать с разными инструментами.
Сквозная аналитика особенно нужна, если:
- у вас нет единой системы данных — данные с сайта, рекламных кабинетов, различных сервисов, CRM и трекеров хранятся как попало и никак не учитываются их взаимосвязи;
- маркетинговые активности разрозненны — непонятно, какие каналы работают эффективнее и как они взаимосвязаны, хотя каждый в отдельности показывает неплохие результаты;
- в вашей отчётности чёрт ногу сломит: чтобы понять, как обстоят дела в финансах, маркетинге, продажах, вы тратите не один день на сбор и консолидацию всей информации (а хотелось бы — быстро сделать срез по всем ключевым метрикам);
- ваш маркетолог опять просит выделить бюджет на что-то экстраординарное, а продажники делают одно и то же, желая получить другой результат — сквозная аналитика показала бы, какие каналы эффективны для финансирования, и какие действия приносят больше прибыли;
- вы устали сливать бюджеты на рекламу всего подряд — сквозная аналитика помогает найти самые популярные товары и категории и расходовать деньги оптимально.
А что есть ещё
Маркетинговая аналитика
Изучает маркетинговые кампании, чтобы увеличить их эффективность. Оперирует маркетинговыми метриками вроде ROMI (Return on Marketing Investments), CPO (Cost per Order), CPA (Cost per Action) и CTR (Click through Rate), а данные собирает из всех рекламных каналов и CRM. Метрики помогают выяснить, как ведут себя клиенты, что изменить на сайте и в рекламных креативах и каким должен быть бюджет на рекламу.
Веб-аналитика
Обычно это интегрированная система, которая собирает, измеряет, анализирует и интерпретирует информацию о посетителях сайтов, чтобы улучшить пользовательский опыт и оптимизировать работу сайта. Вот тут есть подборка неплохих инструментов для веб-аналитики.
Post-view аналитика
Post-view аналитика помогает узнать, что вы видели рекламу, которая повлияла на решение о покупке. То есть, когда вы увидели объявление в интернете, но не кликнули по нему, а потом спустя время нагуглили сайт с этим товаром/услугой и купили.
Такая аналитика помогает взглянуть на маркетинговые активности объективнее, а работает за счёт cookie-файлов. Post-view аналитику относят к сквозной, и в 2020-м на фоне коронакризиса она расцвела, как никогда. Палки в колёса этому трендовому направлению могут вставлять разработчики браузеров с их ограничениями на хранение куки-файлов.
Финансовая аналитика
К ней относится анализ всего, что связано с финансами предприятия: денежные потоки, риски, ценные бумаги, бухгалтерский и управленческий учет, маркетинговые бюджеты. Финансовые аналитики изучают тренды и тенденции в отрасли, занимаются финансовой отчетностью и формируют прогнозы и рекомендации.
Системная аналитика
Похожа на бизнес-аналитику, но с уклоном в технические тонкости: системные аналитики определяют стек нужных технологий, систематизируют технические требования для разработчиков, участвуют в проверке продукта с точки зрения его соответствия ТЗ и составляют техническую документацию.
Процессная аналитика
Такая аналитика использует «цифровой след» из журналов событий информационных систем, чтобы потом визуализировать протекание конкретного процесса и выявить его узкие места: зацикливания, пропуски шагов, лишние операции, расхождения с регламентами, переброс задач с исполнителя на исполнителя и прочее.
Процессная аналитика также помогает:
- выявлять повторяющиеся задачи, которые можно автоматизировать и тем самым сократить затраты;
- предупреждать ошибки на более ранних стадиях;
- отслеживать эффект от изменений на каком-то из этапов на всём бизнес-процессе.
Такая аналитика особенно пригодится в промышленности, банковском секторе, медицине, логистике и сфере телекоммуникации.
Как всё это уживается
О взаимоотношениях всех этих аналитик сложно судить — здесь всё чаще случается так, как когда-то происходило с дизайном: сначала были графические, UI-дизайнеры, UX-дизайнеры, дизайнеры прототипов, а потом появился продуктовый дизайнер, который умеет это всё делать. Скорее всего, с аналитикой однажды случится так же. Но пока мы думаем, что соотношение выглядит как-то так:
Но как они соотносятся, по большому счёту, неважно — важно, какие виды аналитик вы возьмёте себе на вооружение для управления продуктом и бизнесом:
- Если вы в начале пути, и аналитики нет от слова «совсем» — скорее всего, вам нужна сквозная, чтобы представлять хотя бы в общем, что происходит с бизнесом.
- Если вы создаёте продукт с нуля, то лучше сразу настроить продуктовую, мобильную и UX-аналитику (если это приложение), чтобы не набить шишек впоследствии.
- Если маркетинг хромает, налаживайте маркетинговую аналитику.
- Если с финансами не всё гладко — логично, финансовую аналитику.
- Если хотите понимать, что происходит с бизнесом комплексно, заморочьтесь на бизнес-аналитике. Business Intelligence пригодится, если данных слишком много.
- Если вы знаете, что процессы в компании можно улучшить, но пока не понимаете как — добро пожаловать в процессную аналитику.
И кстати, никто не говорил, что вам нужен только один тип аналитики — совмещайте, экспериментируйте и отфильтровывайте из моря метрик те, которые быстрее и лучше всего будут отражать малейшие изменения в бизнесе и продукте.
