Аналитик данных — специалист, который превращает сырые данные в понятные выводы и рекомендации для бизнеса. Он собирает и очищает данные, строит отчеты и дашборды, проверяет гипотезы и помогает принимать решения, влияющие на выручку, продукт и процессы.

«Дата-аналитик извлекает, очищает, обрабатывает и анализирует данные, предоставляя бизнесу полезную информацию для решений» — hh.ru (2024). https://career.hh.ru/article/analitik-dannyh

Кто такой аналитик данных и что такое анализ данных?

Аналитик данных — специалист по анализу данных (data analyst), который помогает компаниям принимать решения на основе фактов, а не догадок. Профессия для тех, кто умеет превращать цифры в смысл.

Что это значит на практике?

Data-аналитик взаимодействует с данными: извлекает их из разных источников, очищает от ошибок и дубликатов, обрабатывает и изучает. Цель — предоставить полезную информацию для бизнеса или науки. Аналитика данных выявляет закономерности, объясняет, что происходит и почему, показывает, что делать дальше.

Кто это в компании?

Data-аналитик строит отчеты, проверяет гипотезы, находит инсайты. Подсказывает командам, как улучшить продукт и бизнес-процессы. Стоит между бизнесом и датасайнс: применяет методы анализа данных, статистику и визуализацию, чтобы дать понятные рекомендации, а не просто таблицы.

«В 2025 году объём мировых данных достигнет 181 зеттабайта — вдвое больше, чем в 2022-м» — hh.ru (2024).

Почему профессия актуальна в 2025?

Компании буквально тонут в информации. Им нужны те, кто умеет из этого хаоса вытащить ценное. По данным HeadHunter, только за последние десять лет количество вакансий по анализу данных и машинному обучению в России увеличилось почти в 30 раз.

Впечатляет, правда?

Что делает аналитик данных: основные обязанности и задачи

В реальной работе аналитик отвечает на вопрос «что делает и чем занимается специалист по анализу данных» через конкретные бизнес-задачи. Обязанности аналитика данных — перевод бизнес-требований в метрики, сбор данных, обработка и интерпретация результатов анализа для отчётов и решений в компании.

Вот типичный рабочий процесс:

• Сбор данных. Извлечение информации из баз данных и других источников с помощью SQL-запросов или API. Аналитик документирует, откуда приходят данные, чтобы коллеги понимали, насколько им можно доверять.
• Обработка и очистка. Нормализация форматов, контроль качества, устранение дубликатов и пропусков. Самая рутинная, но критически важная часть работы. Без чистых данных любой анализ превращается в гадание на кофейной гуще.
• Интерпретация. Формулировка инсайтов и объяснение причинно-следственных связей. Не просто "продажи упали на 15%", а "продажи упали на 15% из-за сбоя в платёжной системе 12 января, об этом говорит резкий всплеск отказов на этапе оплаты".
  Чувствуете разницу?
• Визуализация и отчеты. Дашборды в BI-системах (Power BI, Tableau), презентации для команд и руководства. Хороший дашборд должен быть понятен даже тому, кто увидел его впервые.
• Проверка гипотез. A/B-тесты, статистические проверки, оценка эффектов изменений. Например, "если поменять цвет кнопки с синего на зелёный, вырастет ли конверсия?"
• Перевод бизнес-задачи в метрики. Определение KPI/OKR, дизайн экспериментов. Умение понять, что на самом деле нужно бизнесу, и выразить это через измеримые показатели.
• Коммуникация результатов анализа. Рекомендации, приоритизация, оценка рисков и потенциального влияния (impact). Результаты анализа становятся реальными решениями только когда их понимают и применяют.

Ключевые навыки и инструменты, которые нужно знать аналитику данных

Технические навыки (Hard Skills)

Статистика и методы анализа — фундамент

Распределения, t-тесты, доверительные интервалы, регрессия. Без этого вы не поймёте, случайны ли ваши выводы или действительно значимы.

Работа с базами данных и SQL-запросы — ядро профессии

JOIN, оконные функции, CTE (Common Table Expressions). Если не умеете вытащить нужные данные из базы, вы не аналитик. Просто человек с Excel.

Python для анализа данных (pandas, numpy)

Для тех, кто хочет автоматизировать рутину и работать с большими объёмами. Jupyter-ноутбуки позволяют документировать анализ так, чтобы его мог повторить кто угодно.

Excel/Google Sheets

Для быстрых расчётов и прототипов. Сводные таблицы, ВПР, условное форматирование. Не стоит недооценивать таблицы — иногда это самый быстрый путь к ответу.

BI-инструменты (Power BI, Tableau)

Для визуализации и дашбордов. Здесь важен навык работы с данными так, чтобы отчёты были наглядными и информативными, а не превращались в хаос графиков.

Основы А/В-тестирования

Методы анализа экспериментов, статистическая значимость, понимание размера выборки и ошибок I и II рода.

«Владение SQL, Python или R, BI-системами, электронными таблицами и хорошая статистика — основа профессии аналитика данных» — skgroups.ru (2024). https://blog.skgroups.ru/kto-takoj-analitik-dannyh-i-chem-on-zanimaetsja/

Гибкие навыки (Soft Skills)

Коммуникация и сторителлинг

Умение объяснить выводы без жаргона. Бизнесу не нужны формулы — им нужны решения и понятные истории.

Критическое мышление

Проверка предположений и источников данных. "А точно ли эти цифры верны? Может, тут артефакт?"

Бизнес-ориентированность

Понимание ценности метрик для продукта и прибыли. Хороший аналитик не просто считает, а понимает, зачем он это делает.

Тайм-менеджмент и приоритизация задач

В работе аналитика всегда больше вопросов, чем времени на ответы.

Внимание к деталям

Качественные данные и корректные выводы. Одна ошибка в SQL-запросе — и весь анализ летит в мусорку.

Работа в кросс-командах

Продукт, маркетинг, разработка. Аналитик — связующее звено между разными отделами.

Основные инструменты аналитика

Виды аналитиков данных: специализации в работе с данными

Здесь мы говорим о специализациях внутри аналитики данных. Бизнес-аналитик и системный аналитик — смежные, но отдельные профессии, о которых речь пойдёт позже.

«Специализации: продуктовая, маркетинговая, бизнес-аналитика и BI-аналитика; задачи и инструменты различаются» — practicum.yandex.ru (2024). https://practicum.yandex.ru/blog/napravleniya-analitiki-kakuyu-specializaciyu-vybrat/

Продуктовый аналитик

Продуктовый аналитик исследует поведение пользователей и влияние изменений на метрики продукта: активация, ретеншн, LTV (lifetime value). Формулирует и проверяет гипотезы, ставит трекинг событий, проектирует A/B-тесты, интерпретирует результаты. Помогает приоритизировать бэклог.

Это data-аналитик с сильной бизнес-ориентацией, влияющий на roadmap и рост продукта. В его зоне ответственности — понимание, что заставляет пользователей возвращаться и платить.

Маркетинговый аналитик

Маркетинговый аналитик помогает бизнесу привлекать клиентов: анализирует данные по кликам и поведению пользователей, даёт рекомендации относительно продвижения и рекламы. Советует, как скорректировать маркетинговую стратегию и оптимально распределить бюджет.

Веб-аналитик

Веб-аналитик (часто digital analyst) измеряет воронку трафика и конверсии. Источники трафика, поведение на сайте/приложении, эффекты SEO/SEA/CRM. Работает с системами веб-аналитики (Google Analytics 4, AppMetrica), UTM-разметкой, атрибуцией и сквозной аналитикой.

Задача — повысить эффективность маркетинга и конверсии, выявляя точки роста и проблемные места пути пользователя. "Почему люди уходят на этапе оформления заказа?" — типичный вопрос веб-аналитика.

BI-аналитик

BI-аналитик (Business Intelligence аналитик) проектирует системы для анализа и хранения данных, тестирует гипотезы, автоматизирует отчётность. Помогает бизнесу моделировать различные ситуации, делать правильные выводы и распределять ресурсы между отделами.

Финансовый аналитик

Финансовый аналитик оценивает доходы/расходы, прогнозирует денежные потоки, строит модели P&L (profit and loss), юнит-экономику, сценарный анализ. Применяет статистику и Excel/BI, визуализирует KPI для управленческой отчетности.

Помогает принимать решения о ценообразовании, инвестициях и оптимизации затрат. Сильная математика и аккуратность критичны — ошибка в финансовой модели может стоить компании миллионов.

Гейм-аналитик

Гейм-аналитик — специалист, рекомендации которого позволяют постоянно развивать игровой продукт, увеличивать заинтересованность пользователей, а следовательно — и прибыльность компании. Многопрофильный специалист — должен разбираться в программировании, звуке, графике и других нюансах разработки игр.

Аналитик баз данных (Database Analyst)

Аналитик баз данных проектирует и оптимизирует БД для качественного анализа. Моделирование данных, нормализация, индексы, производительность запросов. Обеспечивает доступность, целостность и корректность данных, документирует схемы.

Помогает аналитикам и инженерам, чтобы анализ данных был быстрым и надежным, без искажений и узких мест. Тот человек, который следит, чтобы "база не легла" и запросы не выполнялись по три часа.

Смежные роли: бизнес-аналитик и системный аналитик

Бизнес-аналитик и системный аналитик — отдельные профессии, которые часто путают с аналитиком данных.

Бизнес-аналитик: переводит цели компании в требования и формирует метрики успеха. Описывает бизнес-процессы, согласовывает изменения со стейкхолдерами и считает экономический эффект. Работает на стыке аналитики данных и управленческого консалтинга: собирает требования, моделирует сценарии "как есть/как будет", помогает принимать решения, оформляет спецификации для команд разработки.

Системный аналитик фокусируется на структурировании требований к IT-системам. Описывает сущности и связи, интеграции, потоки данных и ограничения. Обеспечивает непротиворечивость и полноту требований, участвует в проектировании API и схем БД, готовит спецификации, юз-кейсы и диаграммы.

Если бизнес-аналитик отвечает на вопрос "что нужно?", то системный — "как это технически реализовать?".

Аналитик данных vs Data Scientist vs BI-аналитик: в чем разница?

«Data Analyst ориентирован на оперативную аналитику и визуализацию; Data Scientist создаёт и внедряет модели машинного обучения» — dtf.ru (2024).

Главное различие: Data Analyst анализирует прошлое и настоящее, чтобы объяснить причины. Data Scientist строит модели для предсказания будущего. BI-аналитик создаёт инфраструктуру отчётности.

На старте карьеры лучше начинать с аналитика данных — вы освоите фундаментальные навыки работы с данными, научитесь формулировать вопросы и искать ответы. А потом, если захотите, сможете специализироваться в Data Science или BI-разработке.

Карьера и зарплата аналитика данных: от начинающего до ведущего специалиста

Карьерный путь обычно проходит ступени junior → middle → senior → lead/head of analytics.

Начинающий аналитик

Быстро набирает опыт работы на поддержке отчетности и простых анализах. Выполняет типовые SQL-запросы, помогает готовить дашборды, учится формулировать гипотезы.

Middle

Ведет полноценные задачи аналитика и проекты самостоятельно — от формулировки вопроса до презентации результатов. Умеет проектировать A/B-тесты, выбирать методы анализа, объяснять выводы бизнесу.

Старший аналитик

Управляет приоритетами, влияет на архитектуру данных, менторит команду. Принимает стратегические решения о том, какие метрики важнее, как строить систему аналитики в компании.

Ведущий аналитик (Head of Analytics)

Влияет на стратегические решения компании, формирует культуру работы с данными, управляет командой аналитиков.

Средняя зарплата аналитика данных в России в 2025 году

Зарплата аналитика данных растет вместе с компетенциями: навык работы с SQL/Python, владение BI-системами, статистикой и продуктовыми метриками, умение объяснять "что делать дальше" — ключ к росту.

На доход также влияют регион (Москва платит больше Воронежа), отрасль (финтех и e-commerce щедрее госсектора), масштаб компании и зона ответственности.

«Зарплаты: Junior 60–100 тыс., Middle 100–180 тыс., Senior от 180 тыс.; уровень зависит от региона и специализации» — hh.ru (2024).

Средняя зарплата по России: 112 000 ₽ в месяц. Чаще всего зарплаты находятся в диапазоне от 68 000 до 155 000 ₽. Минимальная зафиксированная зарплата — 50 000 ₽, максимальная — 450 000 ₽.

Спрос на аналитиков данных: рынок труда в России

По данным HeadHunter (январь 2025):

• Более 14 тысяч активных вакансий с запросом «аналитик данных»
• Более 40 тысяч вакансий по ключевому слову «аналитик»
• 15% вакансий предлагают полностью удалённый формат работы
• За последние 10 лет количество вакансий по анализу данных и ML в России увеличилось почти в 30 раз

«На HeadHunter более 14 тысяч вакансий для аналитиков данных» — Skillbox Media (2024).

Топ-5 отраслей с наибольшим спросом:

1. IT и разработка ПО (35% вакансий)
2. Финансы и банки (22%)
3. E-commerce и ритейл (18%)
4. Телеком (12%)
5. Маркетинг и реклама (8%)

Доля удалённых вакансий: 15% — полная удалёнка, 42% — гибридный формат (данные hh.ru, январь 2025).

Топ-3 навыка в вакансиях:

1. SQL — упоминается в 87% вакансий
2. Python — 62% вакансий
3. Power BI/Tableau — 54% вакансий

Как анализ данных помогает принимать эффективные бизнес-решения

Анализ данных снижает неопределенность и ускоряет принятие решений в компании. На основе анализа бизнес видит, какие каналы трафика реально окупаются, какие фичи продукта улучшают метрики, где теряются деньги в воронке продаж.

Результаты анализа превращаются в бизнес-решения:

• Корректировка цен на основе эластичности спроса
• Перераспределение маркетингового бюджета в пользу эффективных каналов
• Приоритизация бэклога разработки: какие функции принесут максимальный рост конверсии
• Оптимизация логистических процессов для снижения издержек

Для бизнеса это — повышение эффективности, рост прибыли и управляемость рисков. Когда метрики связаны с целями (KPI/OKR), аналитика помогает выбрать действия с максимальным эффектом при минимальных затратах.

Пример: Интернет-магазин видит в дашборде, что 40% пользователей бросают корзину на этапе ввода адреса доставки. Аналитик копает глубже — оказывается, форма требует слишком много данных и долго грузится на мобильных устройствах. После упрощения формы конверсия выросла на 12% за месяц.

Как стать аналитиком данных: обучение и курсы

Чтобы стать аналитиком данных с нуля, нужно выбрать формат обучения, отвечающий вашим целям и стилю жизни. Есть несколько путей:

1. Ускоренные интенсивы — 3-6 месяцев погружения в профессию с менторами, проектами и поддержкой в трудоустройстве. Подходят тем, кто хочет быстро сменить сферу деятельности.
2. Модульные курсы с проектами — более гибкий формат, где можно учиться в своем темпе. Обычно длятся 6-12 месяцев.
3. Самостоятельное обучение по дорожной карте — для самых дисциплинированных и мотивированных. Бесплатно, но требует железной воли и умения находить качественные материалы.

Что должна покрывать хорошая программа обучения

Хорошая программа обучения аналитике данных покрывает:

• Основы статистики (распределения, гипотезы, доверительные интервалы)
• SQL (от базовых SELECT до оконных функций)
• Python для анализа данных (pandas, numpy, matplotlib)
• Excel/Google Sheets (сводные таблицы, формулы)
• Power BI/Tableau (дашборды и визуализация)
• A/B-тестирование (методология, интерпретация результатов)
• Работу с базами данных и понимание структуры данных
• Портфолио-проекты на реальных датасетах

Сравнение форматов обучения

Выбирайте курсы аналитика данных, где много практики, код-ревью, менторство и поддержка трудоустройства — так вы быстрее получите профессию аналитика данных и сможете уверенно войти на рынок.

Например, курс аналитика данных от Sky.pro включает все эти элементы: от базовой статистики до построения дашбордов, с наставниками-практиками и помощью в трудоустройстве после завершения. Программа рассчитана на 12 месяцев и покрывает весь необходимый стек — SQL, Python, BI-инструменты, статистику и A/B-тестирование. В процессе обучения вы соберёте портфолио из реальных проектов, которое потом покажете работодателям.

Как стать аналитиком данных с нуля: пошаговый план

Шаг 1: Изучите основы (математика и статистика)

Без них никуда. Фокус на описательной статистике (среднее, медиана, стандартное отклонение), вероятностях, проверке гипотез, интерпретации p-value и доверительных интервалов.

Не нужно погружаться в матан с головой — достаточно понять базовые принципы. Ресурсы: Khan Academy, Coursera (курсы по статистике), учебник "Practical Statistics for Data Scientists".

Шаг 2: Освойте ключевые инструменты (SQL, Excel, Python)

• SQL — начните с базовых SELECT, WHERE, JOIN. Потом переходите к GROUP BY, подзапросам, оконным функциям. Практика на SQL Zoo, LeetCode, HackerRank.
• Excel/Google Sheets — сводные таблицы, ВПР, условное форматирование. Попробуйте решить несколько кейсов на обработку данных.
• Python — начните с библиотек pandas (работа с таблицами) и numpy (математика). Jupyter-ноутбуки для документирования анализа.
• Ежедневная практика — ключ. Даже 30 минут в день дадут результат через несколько месяцев.

Шаг 3: Пройдите курс или учитесь самостоятельно

Если выбираете курсы — смотрите на программу (покрывает ли все необходимое), отзывы выпускников, наличие менторства и практических проектов.

Если учитесь сами — составьте дорожную карту, найдите публичные датасеты (Kaggle, data.gov), решайте задачи, изучайте чужие решения.

Важны код-ревью и обратная связь. Если учитесь сами — ищите комьюнити (Reddit, Telegram-чаты аналитиков), делитесь своими решениями, просите фидбэк.

Шаг 4: Соберите портфолио

Проекты на реальных датасетах — ваша визитная карточка. Kaggle, публичные API (Twitter, OpenWeatherMap), открытые данные правительств.

Примеры проектов для портфолио:

• Анализ розничных продаж с прогнозом на следующий квартал
• Исследование факторов, влияющих на отток клиентов
• Дашборд с метриками сайта (трафик, конверсия, источники)
• A/B-тест изменения на сайте с расчётом статистической значимости

Структура портфолио-проекта на GitHub:

project-name/

├── README.md (описание, цели, выводы)

├── data/ (сырые данные или ссылки)

├── sql/ (SQL-скрипты для выгрузки)

├── notebooks/ (Jupyter-ноутбуки с анализом)

├── dashboards/ (скриншоты или файлы BI)

└── docs/ (дополнительная документация)

Для каждого проекта — описание задачи, ход решения, выводы и рекомендации. Оформите на GitHub или в Jupyter-ноутбуке.

Шаг 5: Подготовьтесь к собеседованию и начните поиск

Алгоритм:

1. База SQL/статистики — решайте задачи на LeetCode/HackerRank
2. Разбор кейсов — подготовьте истории из портфолио в формате STAR (Situation, Task, Action, Result)
3. Мок-интервью — потренируйтесь с друзьями или менторами
4. Вакансиймейкинг — откликайтесь на позиции junior/стажёр, не бойтесь отказов

Типичные вопросы на собеседовании:

• Как посчитать median через SQL без функции MEDIAN?
• Объясните разницу между LEFT JOIN и INNER JOIN
• Как проверить, значимо ли отличие конверсий в A/B-тесте?
• Расскажите про ваш проект из портфолио

15 типовых вопросов для подготовки

SQL

1. Как вывести топ-3 товара по продажам за последний месяц?

2. В чём разница между HAVING и WHERE?

3. Что такое оконные функции и когда они нужны?

Статистика

4. Что такое p-value и как его интерпретировать?

5. В чём разница между корреляцией и причинно-следственной связью?

6. Как рассчитать размер выборки для A/B-теста?

Продукт и метрики

7. Как посчитать retention 7-го дня?

8. Что такое когортный анализ?

9. Чем отличается MAU от DAU?

Практические кейсы

10. Конверсия в оформление заказа упала на 20%. С чего начнёте?

11. Как проверить, что новая фича увеличила время в приложении?

12. Как определить, какой канал трафика самый выгодный?

Визуализация

13. Когда использовать столбчатую диаграмму, а когда — линейный график?

14. Как построить дашборд для CEO?

15. Что такое dashboard fatigue и как его избежать?

Плюсы и минусы профессии аналитика данных

Типичный рабочий день аналитика данных

Утро (9:00–11:00): Синхронизация с командой (стендап/созвон), проверка алертов по метрикам. Если что-то упало или выросло аномально — копаем причины.

До обеда (11:00–14:00): SQL/Python, подготовка данных, краткий исследовательский анализ (EDA). Проверка гипотезы из вчерашнего дня: ""А правда ли новая версия приложения повлияла на конверсию?""

После обеда (14:00–17:00): Визуализация в BI-системе, подготовка отчета или презентации для команды продукта. Иногда — созвон с маркетингом, где объясняешь, почему их последняя кампания не окупилась.

Вечер (17:00–18:00): Обсуждение рекомендаций с владельцами задач (product manager, маркетологи), планирование экспериментов на следующую неделю. Запись выводов и следующих шагов в Notion/Confluence.

Конечно, каждый день — разный. Иногда весь день уходит на расследование одной аномалии в данных. Иногда — на подготовку презентации для топ-менеджмента. А иногда просто сидишь и ждёшь, пока выполнится тяжёлый SQL-запрос.

Часто задаваемые вопросы (FAQ)

Нужен ли диплом программиста или математика, чтобы стать аналитиком данных?

Нет, не обязательно. Но базовая математика и статистика — обязательны. Диплом можно компенсировать портфолио проектов, курсами и реальным опытом работы. Работодатели смотрят на навыки, а не на корочки.

Можно ли войти в профессию после 30 или 40 лет?

Да, абсолютно. Рынок ценит опыт в предметной области (финансы, логистика, маркетинг), системное мышление и результаты. Возраст — не барьер, если есть мотивация и готовность учиться.

Многие успешные аналитики пришли в профессию после 35, имея опыт в совершенно других сферах — и это стало их преимуществом, потому что они лучше понимают бизнес-контекст.

Сколько времени занимает обучение на аналитика данных?

3–6 месяцев интенсивно с менторством (если учитесь на курсах с поддержкой) или 6–12 месяцев при самостоятельном обучении. Всё зависит от стартового уровня и времени, которое вы готовы вкладывать ежедневно (рекомендуется 8–10 часов в неделю).

Если у вас есть техническое образование или опыт работы с Excel/SQL — будет быстрее. Если начинаете с нуля — запаситесь терпением и дисциплиной.

Где аналитику-новичку искать первую работу?

Стажировки, junior-вакансии (на hh.ru, LinkedIn), проектная работа, фриланс-проекты на Upwork/Kwork. Упор на портфолио и пет-проекты — покажите, что вы умеете делать.

Не бойтесь отказов. Первые 10-20 откликов могут остаться без ответа — это нормально. Продолжайте учиться, дорабатывайте портфолио, пробуйте снова.

Также полезно:

• Участвовать в хакатонах и data-челленджах
• Публиковать анализы на GitHub/Kaggle
• Писать статьи на Habr/Medium о своих проектах
• Нетворкинг в профессиональных комьюнити (митапы, Telegram-чаты)

Нужен ли английский язык?

Для чтения технической документации желателен уровень Pre-Intermediate (A2-B1). Многие библиотеки, фреймворки и best practices описаны на английском. Для работы в международных компаниях потребуется уровень Intermediate (B1-B2) и выше.

Заключение

Аналитик данных — профессия для тех, кто любит копаться в цифрах, задавать вопросы и искать ответы. Не просто ""человек с Excel"", а специалист, который помогает бизнесу принимать обоснованные решения и расти.

В 2025 году спрос на аналитиков продолжает расти вместе с объёмами данных. Зарплаты достойные, перспективы — широкие (можно расти вертикально до Head of Analytics или горизонтально в Data Science/Product Management).

Чтобы стать аналитиком данных с нуля, нужно освоить SQL, Python, статистику, BI-инструменты, собрать портфолио и научиться объяснять выводы простым языком. Это реально за 6-12 месяцев при должной мотивации.

Да, будут сложности: рутина с очисткой данных, ответственность за правильность выводов, необходимость постоянно учиться. Но если вам нравится разбираться в сложном и влиять на решения — эта профессия для вас.

Что делать в ближайшие 30 дней:

1. Пройдите бесплатный вводный модуль курса по аналитике данных
2. Решите 5-10 задач по SQL на LeetCode/HackerRank
3. Выберите публичный датасет на Kaggle и попробуйте сделать простой анализ
4. Создайте репозиторий на GitHub для своих проектов
5. Вступите в 2-3 Telegram-чата для аналитиков
6. Прочитайте "Статистика и котики" или "Naked Statistics"

Начните с малого: пройдите бесплатный курс по SQL, попробуйте проанализировать открытый датасет, соберите первый дашборд. Через несколько месяцев вы удивитесь, как далеко продвинулись.

Удачи! И помните: каждый эксперт когда-то был новичком, который не знал разницы между LEFT JOIN и INNER JOIN.

Ерид: 2SDnjcnJk3q РД: ОАНО ДПО «СКАЕНГ» ИНН 9709022748

Цифровые системы позволяют снизить зависимость от ручных действий и повысить доходность. Офис на 1000 человек можно сократить до 250–400 рабочих мест, если правильно настроить бронирование. Управление климатом и светом можно автоматизировать и экономить на энергии до 30%. Доступ к объекту и отдельным помещениям тоже регулируется в цифровых системах, обеспечивая и безопасность, и сокращение рутины.

Принцип один: чем больше проблемных процессов попадает в цифру — тем устойчивее объект к росту нагрузки и масштабированию.

PRYSM

Система управления коммерческой недвижимостью, которая автоматизирует все ключевые процессы объекта и объединяет на одной платформе управляющую компанию, собственников и арендаторов. Решение предлагает брендированное приложение для резидентов, приложение для сотрудников и CRM для коммерческой недвижимости.

Основные функции и модули:

• управление арендой офисов: 3D-план и реестр помещений с площадью, статусом, привязкой к договору и историей изменений. Графики платежей с разными сценариями индексации;
• диспетчеризация и сервис: приём и маршрутизация заявок, контроль сроков и качества, SLA-контур, история работ, оформление цифровых пропусков;
• управление ресурсами: бронирование переговорных, парковки и других зон через приложение или десктоп; синхронизация с пропусками и уведомлениями;
• аналитика и отчётность: дашборды в реальном времени по заполняемости, финансам, SLA и работе подрядчиков; автоматический сбор и объединение данных из всех процессов;
• коммуникации с резидентами: новости, объявления, опросы и push-уведомления в едином информационном канале;
• маркетплейс услуг: заказ дополнительных услуг внутри приложения — от УК, арендаторов и партнеров.

PRYSM — это модульный монолит: система объединяет отдельные модули в единое приложение, при этом позволяет расширять функциональность с помощью адаптеров.

Систему можно адаптировать под конкретный объект и бренд клиента (white‑label). Настраиваются функции, роли, доступы, маршруты согласований и уведомлений.

Возможны интеграции с СКУД, парковочным оборудованием и другими внешними системами — платформа не требует «перешивать» процесс под себя. Архитектура поддерживает горизонтальное и вертикальное масштабирование, поэтому система выдерживает рост нагрузки и расширение модулей без переработки основных компонентов. Фронтенд-приложение управляет всеми модулями и их состояниями через специальную библиотеку.

Модули взаимодействуют между собой через общую архитектуру, но работают автономно, поэтому сбой одного не влияет на работу остальных.

На уровне интерфейса платформа использует React и TypeScript. Бэкенд разработан на .NET Core 8. Платформа хранит данные в PostgreSQL, а кэш — в Redis. Для передачи данных между модулями используется Kafka. Для внешних интеграций — REST API. Для обмена данными между компонентами платформы — gRPC.

Тарифы:

• «Базовый» — для объектов до 10 000 м². Облачное размещение, без интеграций с оборудованием.
• «Расширенный» — для средних и крупных бизнес-центров до 50 000 м². Поддерживаются базовые интеграции и размещение на сервере клиента.
• «Персональный» — для объектов свыше 50 000 м2 или крупных портфелей недвижимости: расширенные интеграции и глубокая кастомизация.

Компания предлагает демоверсию, чтобы протестировать систему до внедрения. Итоговая стоимость зависит от площади, числа объектов и пользователей.

Okdesk

Цифровая help-desk-платформа, которую используют для управления коммерческой недвижимостью, хотя изначально она создавалась для сервисных компаний. Поэтому часть процессов приходится подстраивать вручную: продумывать маршруты заявок, роли исполнителей, отчётность и структуру объектов.

В работе она закрывает основные операционные задачи управления недвижимостью:

• собирает все обращения арендаторов в одном окне;
• автоматически распределяет их между исполнителями с учётом загрузки, компетенций и локации;
• помогает вести плановые ППР;
• напоминает о сроках.

Технические характеристики системы:

• стек SQL API предоставляет доступ к таблицам заявок, пользователей, компаний, объектов, оборудования и справочников;
• платформа использует REST API с авторизацией через api_token. Через API можно создавать и изменять заявки, компании, контакты, оборудование и договоры;
• протоколы: все данные передаются по защищённому каналу HTTPS с использованием TLS 1.2/1.3;
• хранение данных: Okdesk работает на облачной инфраструктуре с серверами в российских дата-центрах. Данные заявок, пользователей, компаний и справочники хранятся в реляционной базе. Вложения и документы сохраняются в объектном хранилище (S3-совместимом или аналогичном);
• доступно ежедневное резервное копирование и инкрементальные бэкапы с хранением копий отдельно. Данные шифруются при передаче по сети (TLS).

Внутри сохраняется цифровой след — кто и что сделал, результаты, время реакции и выполнение регламентов. Платформа стыкуется через REST API с внешними CRM, вебхуки передаются по HTTPS в формате JSON при событиях, например: создание, изменение заявки, комментирование. Для API и вебхуков применяется аутентификация через API-ключи с ограничением прав доступа.

При внедрении для объектов коммерческой недвижимости Okdesk выступает операционным центром: реестр площадок, паспорта оборудования, инженерные системы, история работ и текущий статус задач, автоматизация распределения заявок, уведомлений и SLA-таймеры.

Тарифная сетка (каждый тариф можно бесплатно протестировать на протяжении 10 дней):

• «Профи»: базовая автоматизация сервисных процессов, от 8 000 рублей в месяц за 5 лицензий.
• «Эксперт» включает также собственный домен, расширенные лимиты, вебхуки и поддержку — 8 000 рублей за 10 лицензий.
• «Эксперт 30+» рассчитан на крупные команды и большие объекты: восемь каналов регистрации заявок, мобильное приложение без доплат и набор из 30+ расширенных отчётов. Стоимость — 58 000 рублей за 30 лицензий.

ÓDIN

Инструмент управления коммерческой недвижимостью, который помогает навести порядок в технической эксплуатации офисных зданий и бизнес-центров: то, что связано с оборудованием, регламентами, ремонтами и заявками арендаторов. Включает личный кабинет арендатора и мобильное приложение.

В функции ÓDIN входят:

• хранение технических параметров и паспорта оборудования;
• формирование графиков регламентных работ и контроль их выполнения;
• прием и обработка обращений арендаторов с демонстрацией статусов задач в реальном времени;
• фиксация затрат на обслуживание и сбор статистики по простоям помещений;
• предоставление аналитики для оценки эффективности технической эксплуатации и выявления слабых мест.

Система построена по модульной архитектуре, которая включает ядро и отдельные модули:

• «Заявки и эксплуатация» — контур приёма и маршрутизации заявок с привязкой к помещению, оборудованию и исполнителю;
• «ТО/ППР и ТОиР» — реестр оборудования на объекте с параметрами и жизненным циклом, генерация планово-предупредительных работ по заданным регламентам;
• «Счётчики» — автоматизированный сбор показаний инженерных ресурсов, валидация данных, расчёт потребления и формирование отчётности;
• «Аренда и управление недвижимостью — единый реестр помещений и договоров, расчёт аренды и услуг, выставление счетов, контроль платежей и статусов актации;
• «Обходы» — цифровые маршруты обходов, контроль выполнения, фиксация отклонений и синхронизация с эксплуатационными модулями;
• «Паркинг» — управление доступом, заявками и загрузкой парковочных мест, интеграция с пропускной системой и аналитикой использования;
• «Склад и ТМЦ — учёт материальных ценностей, движение ТМЦ, инвентаризация, списания, складские операции в едином каталоге;
• «Товарообороты» — сбор и валидация данных о выручке арендаторов, контроль корректности переданных показателей, аналитика продаж.

Внедрение включает развёртывание сервера в Yandex Cloud, настройку процессов под конкретную компанию, интеграцию с внешними сервисами через REST API, с помощью которого в систему можно интегрировать бухгалтерские программы, BIM‑модели, системы здания, системы контроля доступа, а также переносить данные из Excel, 1С, внешних CRM и других платформ.

Технологии внутри ÓDIN, которые помогают реализовывать фукнции и услуги управления коммерческой недвижимостью: Ruby on Rails, Python, Angular, Ionic. На сайте доступен API для разработчиков.

Стоимость рассчитывается индивидуально и зависит от площади объектов, числа пользователей и выбранных модулей.

«1С:Аренда и управление недвижимостью»

Экосистема «1С» давно встроена в работу бухгалтерии и управленческого учёта. Но важно понимать, что продукт создавался не как специализированная система под управление объектами коммерческой недвижимости. Поэтому часть процессов по комплексному управлению придётся адаптировать: некоторые отчёты, сценарии работы или расчёты нередко требуют доработок силами специалистов по «1С».

Возможности системы:

• ведёт реестр договоров;
• контролирует платежи, задолженности и условия пролонгации;
• рассчитывает аренду и коммунальные платежи;
• учитывает налоги и расходы на содержание площадей;
• предоставляет 3D-визуализацию объекта;
• формирует аналитику по заполняемости.

История работы с каждым арендатором хранится централизованно, регулярные проверки, ремонты и профилактика — планируются заранее. «1С» собирает данные из договоров, платежей, заявок и счётчиков, сводит их в дашборды и показывает ключевые метрики.

Система построена на платформе «1С:Предприятие». Данные могут храниться в реляционной СУБД, поддерживаемой платформой, например, Microsoft SQL Server, PostgreSQL или IBM DB2, либо в собственном файловом формате 1С при локальной версии.

Платформа поддерживает интеграцию через web‑сервисы и HTTP-интерфейсы, а также возможность работы через REST / OData (в зависимости от версии платформы и настроек). Серверная база хранится в выбранной СУБД, файловая база «1С» хранится локально, например, в формате *.1CD.

Сроки внедрения: от месяца до года. Такой разброс характерен для проектов в сфере управления коммерческой недвижимостью — Москва и другие регионы при этом показывают одинаковую зависимость времени на внедрение от размера инфраструктуры.

Для коммерческой недвижимости используется решение «1С:Предприятие 8. Аренда и управление недвижимостью» стоимостью от 61 800 рублей (без учета дополнительных лицензий).

Выбираем максимально эффективное решение

Прежде чем внедрять какую-либо систему, стоит оценить текущие процессы. Как ведутся задачи без автоматизации? Какие этапы эксплуатации или управления арендой коммерческой недвижимости вызывают основные сложности и убытки? Какие рутинные операции отнимают большую часть рабочего времени команды?

Эта диагностика — фундамент взвешенного выбора.

Проверить, насколько цифровой инструмент соответствует ожиданиям об управлении коммерческой недвижимостью, проще всего через демо. При этом важно мыслить наперёд. Если объектов станет больше, появятся новые роли, процессы усложнятся — выдержит ли платформа нагрузку, или её придётся менять уже через год?

Правильно выбранная под ваши задачи система управления коммерческой недвижимостью превратит офис в стратегический актив вашего бизнеса.

Документ стоимостью 440 тысяч долларов США, посвящённый проверке системы социального контроля (Targeted Compliance Framework Assurance Review), содержал несуществующие источники и ложные судебные цитаты.

После внутреннего расследования Deloitte согласилась частично вернуть оплату — сумму, эквивалентную последнему траншу контракта.

Как это обнаружили

Ошибки обнаружил Крис Радж (Chris Rudge), заместитель директора Центра права здравоохранения Сиднейского университета. Он заметил, что в отчёте упоминаются научные статьи и правовые обзоры, которых не существует.

Среди них — публикации, якобы принадлежащие профессору права Лизе Бёртон Кроуфорд (Lisa Burton Crawford). Учёная заявила, что никогда не писала таких работ, и выразила обеспокоенность тем, что её имя было использовано без согласия.

«Меня тревожит, что моё имя упомянуто в контексте вымышленных исследований. Я жду объяснений от Deloitte, как могли появиться такие ссылки», — сказала Кроуфорд Australian Financial Review.

GPT-4o на службе аудита — без раскрытия источника

При повторной публикации отчёта Министерство занятости и трудовых отношений (DEWR) добавило уточнение:

На странице 58 указано, что техническая команда Deloitte использовала генеративную модель Azure OpenAI GPT-4o в ходе анализа.

ИИ применялся для проверки соответствия программного кода автоматизированной системы социальной помощи нормам и требованиям законодательства. Однако в процессе генерации были созданы фиктивные ссылки, которые не прошли ручную валидацию.

В обновлённой версии отчёта:

• удалено 14 ложных ссылок (из 141 осталось 127);
• убрана поддельная цитата, приписанная федеральному судье Дженнифер Дэвис (Jennifer Davies), чьё имя в оригинале было написано с ошибкой;
• внесена сноска о применении генеративных инструментов на базе GPT-4o.

Deloitte: «Рекомендации остаются действительными»

Компания подчеркнула, что основные выводы и рекомендации отчёта остаются корректными, несмотря на наличие «ошибок в ссылках».

«Суть независимого обзора сохранена, изменений в рекомендациях нет», — сообщили в DEWR.

Тем не менее, исследователь Радж поставил под сомнение достоверность результатов:

«Как можно доверять рекомендациям, если сам отчёт построен на методологии, основанной на недостоверных данных и без надзора экспертов?»

Что это значит для индустрии консалтинга и ИИ

Инцидент с Deloitte стал одним из первых официальных случаев, когда генеративный ИИ был признан источником ложных данных в правительственном отчёте.

Он поднимает ключевые вопросы:

• кто несёт ответственность за ошибки, созданные ИИ;
• обязаны ли подрядчики раскрывать факт использования генеративных моделей;
• как верифицировать данные, если отчёты включают ИИ-генерацию без проверки.

Эксперты отмечают, что случай Deloitte отражает глобальную проблему «галлюцинаций» LLM-моделей — создание правдоподобных, но несуществующих ссылок и цитат.

Подобные инциденты уже фиксировались в судебных делах в США и академических публикациях, однако впервые произошли в рамках государственного контракта с крупной консалтинговой компанией.

История IT представляет собой череду волн автоматизации, каждая из которых радикально меняла требования рынка и подходы к разработке. Эти волны не просто внедряли новые технологии — они трансформировали бизнес-модели, создавали новые профессии и переопределяли ценность специалистов. Предлагаю исторически взглянуть на роль аналитиков и трансформацию их роли и задач

1. Первая волна (1950-1970): автоматизация вычислений и зарождение системного анализа

Технологический ландшафт:

• Мейнфреймы и перфокарты.

• Языки программирования низкого уровня (COBOL, Fortran). Первые базы данных (IBM IMS, 1966)

Требования рынка:

• В эту эпоху IT был уделом узких специалистов — инженеров, способных «общаться» с машинами на их языке. Ключевым требованием было глубокое понимание аппаратной части и умение оптимизировать крайне ограниченные вычислительные ресурсы.

IT-рынок труда:

• Крайне узкий сегмент, доступный только специалистам с инженерным образованием.

• Практически отсутствует конкуренция за рабочие места — спрос значительно превышает предложение.

• Зарплаты в 2-3 раза выше средних по экономике (аналогично современным «золотым воротничкам»).

Появление аналитиков:

• Прообразом современных аналитиков стали «системные аналитики», которые переводили бизнес-задачи на язык машинных инструкций. Их роль была технической — декомпозиция задач для программистов. Анализ ограничивался оптимизацией алгоритмов и распределением памяти.

• Пример: В банковском секторе системные аналитики проектировали схемы обработки транзакций, сократив время операций с дней до часов.

2. Вторая волна (1970-1990): децентрализация и первые корпоративные системы

Технологические прорывы:

• Персональные компьютеры
• Электронные таблицы (VisiCalc)
• Прообразы CRM (ACT! 1987)
• Начало ERP-систем (SAP R/2)Требования рынка:
• Умение адаптировать технологии для бизнес-пользователей
• Развитие интерфейсов «человек-машина»
• Понимание основ бизнес-процессов
• IT-рынок труда:
• Появление массового спроса на IT-специалистов в бизнесе
• Формирование «рынка кандидата» — компании конкурируют за ограниченное число специалистов
• Зарождение IT-рекрутинга как отдельного направления
• Начало гендерного дисбаланса — доля женщин в IT падает с 30-40% до 15-20%
• Выпускники компьютерных специальностей получали 2-3 оффера до окончания вузаЭволюция анализа:
• Появление «бизнес-аналитиков» как моста между IT и менеджментом
• Аналитики начинают работать с требованиями стейкхолдеров
• Возникает необходимость в первичной документации процессов
• Формируются первые методики сбора требованийПример: Внедрение Excel потребовало от аналитиков не только технических навыков, но и понимания финансовых моделей, что сократило ошибки в расчетах на 90%.

IT-рынок труда:

• Появление массового спроса на IT-специалистов в бизнесе
• Формирование «рынка кандидата» — компании конкурируют за ограниченное число специалистов
• Зарождение IT-рекрутинга как отдельного направления
• Начало гендерного дисбаланса — доля женщин в IT падает с 30-40% до 15-20%
• Выпускники компьютерных специальностей получали 2-3 оффера до окончания вуза

Эволюция анализа:

• Появление «бизнес-аналитиков» как моста между IT и менеджментом
• Аналитики начинают работать с требованиями стейкхолдеров
• Возникает необходимость в первичной документации процессов
• Формируются первые методики сбора требованийПример: Внедрение Excel потребовало от аналитиков не только технических навыков, но и понимания финансовых моделей, что сократило ошибки в расчетах на 90%.

3. Третья волна (1990-2010): интернет-революция и комплексные системы

Ключевые технологии:

• CRM (Salesforce)
• WMS (Manhattan Associates)
• Полноценные ERP (SAP R/3)
• Веб-технологии

Требования рынка:

• Требования рынка:
• Интеграционные компетенции
• Понимание сквозных бизнес-процессов
• Управление сложными проектами
• Работа с большими объемами данныхIT-рынок труда:
• Взрывной рост спроса на веб-разработчиков (до +400% за 1995-2000 гг.)
• Формирование глобального аутсорсинга (Индия, Восточная Европа)
• Появление «звездных» зарплат в Кремниевой долине (первые миллионные пакеты)
• Начало «войны за таланты» — компании внедряют реферальные программы и опционыРасцвет аналитиков:
• Аналитики становятся архитекторами бизнес-процессов
• Появление специализаций: бизнес-аналитики, системные аналитики, data-аналитики
• Критическая важность моделирования процессов и данных
• Развитие UML и других стандартов визуализацииПример: Внедрение WMS в Amazon сократило время сборки заказов с 3 часов до 30 минут благодаря глубокому анализу логистических цепочек.

IT-рынок труда:

• Взрывной рост спроса на веб-разработчиков (до +400% за 1995-2000 гг.). Формирование глобального аутсорсинга (Индия, Восточная Европа).

• Появление «звёздных» зарплат в Кремниевой долине (первые миллионные пакеты).

• Начало «войны за таланты» — компании внедряют реферальные программы и опционы.

Расцвет аналитиков:

• Аналитики становятся архитекторами бизнес-процессов.

• Появление специализаций: бизнес-аналитики, системные аналитики, data-аналитики.

• Критическая важность моделирования процессов и данных.

• Развитие UML и других стандартов визуализации

• Пример: Внедрение WMS в Amazon сократило время сборки заказов с 3 часов до 30 минут благодаря глубокому анализу логистических цепочек.

4. Четвертая волна (2010-2020): Big Data и гиперавтоматизация

Технологические тренды:

• Облачные CRM.
• AI в WMS.
• RPA (UiPath).
• Платформы аналитики

Требования рынка:

• Работа с неструктурированными данными.
• Навыки предиктивной аналитики.
• Интеграция AI/ML в бизнес-процессы.
• Управление цифровыми продуктами.

IT-рынок труда:

• Острейший дефицит Data Scientists (соотношение вакансий к кандидатам 5:1).

• Массовый переход на удаленный формат (до 60% IT-специалистов работают удалённо).

• Резкий рост зарплат в AI/ML (до $300-500 тыс. в FAANG). Появление «цифровых кочевников» — глобальная конкуренция за топ-специалистов.

• Забавный факт: в 2019 году 43% IT-специалистов меняли работу ежегодно ради 20-30% прироста зарплаты

Трансформация аналитики:

• Аналитики осваивают Data Science.

• Появление «цифровых двойников» бизнес-процессов.

• Активное использование имитационного моделирования.

• Смещение фокуса на customer journey и UX.

• Пример: ИИ-аналитика в CRM повысила точность прогноза продаж на 40% благодаря работе аналитиков с алгоритмами машинного обучения.

5. Пятая волна (2020-наше время): Agentic AI и автономные системы

Современные технологии:

• Автономные ИИ-агенты.
• Генеративный ИИ.
• Квантовые вычисления.
• Гиперсинтетические данные.

Требования рынка:

• Требования рынка:
• Управление ИИ-системами
• Этика искусственного интеллекта
• Работа в гибридных (человек+ИИ) командах
• Непрерывная адаптация к меняющимся технологиям.

Текущее состояние рынка:

• Резкое охлаждение: в 2023-2024 массовые увольнения в Big Tech (Meta -11%, Google -6%).

• Конкуренция на позиции Junior: 8 резюме на 1 вакансию (против 1:3 в 2021).

• Снижение зарплат на 30% для новых сотрудников.

• Критический спрос на AI/ML-специалистов (+40% вакансий в 2024). При общем спаде, 72% компаний испытывают сложности с наймом senior-специалистов.

Роль аналитиков сегодня:

• Аналитики становятся «тренерами ИИ», формируя промпты и обучающие наборы. Критически важны навыки валидации решений ИИ.

• Управление «цифровой экологией» — балансом между автоматизацией и контролем. Разработка онтологий для Agentic AI.

• Инсайт: по данным исследований, 72.3% команд уже активно используют ИИ в тестировании, а ESB-платформы с low-code инструментами сокращают потребность в junior-разработчиках на 50%.

Будущее (2025-2030): что потребует рынок?

Прогнозируемые тренды:

1. Полная автономность: ИИ-агенты будут самостоятельно проводить анализ требований и адаптировать системы, но потребуют «наблюдателей» из числа аналитиков.
2. Живая аналитика: системы реального времени с прогнозными возможностями станут стандартом, увеличивая спрос на аналитиков-интерпретаторов.
3. Этическая автоматизация: возникнет новая специализация — аудиторы алгоритмов и цифровых процессов.
4. Гибридные навыки: аналитики будущего будут сочетать технические компетенции с психологией и философией.
5. Персонализация в масштабе: как отмечают эксперты, в 2025 году маркетинговая аналитика достигнет уровня, когда контент будет динамически адаптироваться даже под настроение пользователя.

Роль аналитиков в 2030:

• Архитекторы цифровых экосистем: проектирование взаимодействий между автономными агентами
• Кураторы данных: обеспечение качества информации для ИИ
• Послы цифровой этики: контроль за соблюдением моральных норм в автоматизированных системах
• Трансляторы смыслов: интерпретация решений ИИ для человека

Будущее (2025-2030): прогнозы по рынку труда

1. Поляризация спроса: сокращение junior-позиций на 50% из-за low-code/AIРост потребности в senior+ на 35% (центры компетенций).
2. Сокращение junior-позиций на 50% из-за low-code/AI.
3. Рост потребности в senior+ на 35% (центры компетенций).

Новые профессии:

1. Новые профессии: Промпт-инженеры (ожидается 1 млн вакансий к 2027)AI-аудиторы (законодательные требования).
2. Цифровые этики (контроль bias в алгоритмах).
3. AI-аудиторы (законодательные требования).

Геополитический фактор:

• Локализация IT-кадров (снижение офшоринга на 25%).

• Рост региональных хабов (Казань, Новосибирск, Екатеринбург). Локализация IT-кадров (снижение офшоринга на 25%).

• Рост региональных хабов (Казань, Новосибирск, Екатеринбург).

• Экспертная оценка: «Рынок переходит от количественного роста к качественному отбору — востребованы будут только T-shaped специалисты».

Аналитический вывод: цикличность рынка

История показывает три ключевых паттерна:

1. Каждая технологическая волна сначала создает дефицит кадров, затем их избыток.
2. Автоматизация сокращает рутинные позиции, но многократно увеличивает ценность экспертизы.
3. «Золотой век» любой IT-специальности длится 7-10 лет, требуя постоянного переобучения
4. Рекомендация для специалистов — фокусироваться на развитии:

• Гибких навыков (критическое мышлени, креативность)
• Доменной экспертизы (глубокая отраслевая специализация)
• Навыков работы с AI-инструментами

На первый взгляд, TTM кажется простой концепцией: чем меньше времени тратится на разработку, тем быстрее продукт начинает приносить пользу пользователям и доход компании. Однако за этой простотой скрывается множество нюансов, которые делают TTM одной из самых спорных метрик в IT-индустрии.

Почему TTM считается злом, выдуманным менеджерами

В разработческих кругах нередко можно услышать скептическое отношение к TTM. Эта метрика воспринимается как инструмент давления со стороны менеджмента: “Сократите сроки! Ускорьте процессы! Почему мы до сих пор не выпустили фичу?”

Вот основные причины:

1. Поверхностное сокращение сроков. Вместо того чтобы разбираться в главных причинах задержек, руководство часто требует банально сократить сроки. Это может привести к снижению качества кода, поскольку в таком случае вы отказываетесь от рефакторинга и уменьшаете время на тестирование, а значит, продукт на выходе будет куча багов. Вы можете даже пропустить важные стадии проектирования, и в результате получаете непродуманный продукт.
2. Выгорание сотрудников. Постоянное давление со стороны менеджмента заставляет команды работать в условиях жестких дедлайнов. Это может вылиться в хронический стресс и выгорание, а потом — в низкий уровень вовлеченности и отсутствие мотивации. Следовательно, высокая текучка кадров и дальнейшее усугубление проблемы.
3. Фокус на скорости, а не на ценности. Менеджеры, ориентированные исключительно на TTM, могут забывать о главной цели разработки — создании ценности для юзера. В результате продукт выходит на рынок недоработанным (но я давно не видел полностью доработанных продуктов выходящих на рынок) и не удовлетворяет потребности целевой аудитории. Как следствие, пользовательский опыт у нас ухудшается, что может негативно сказаться на репутации компании.
4. Конфликты внутри команды. Когда TTM становится основным KPI, команды начинают ощущать постоянное давление. Это часто приводит к разногласиям между менеджерами и разработчиками, снижению доверия к руководству и в итоге к потере «командного духа», поскольку каждый отдел начинает бороться за выполнение своих задач в ущерб общим целям.

Типичные примеры, которые я встречал:

• В одной из компаний менеджмент решил сократить TTM, урезав время на тестирование. Это привело к тому, что после выпуска продукта пришлось устранять множество багов, что в итоге заняло больше времени, чем изначальная доработка.
• В другой ситуации команда была вынуждена работать сверхурочно несколько месяцев подряд, чтобы уложиться в установленные сроки. Итог — массовое увольнение ключевых специалистов.

Такие примеры показывают, что неправильное использование TTM может нанести компании больше вреда, чем пользы. Вместо того чтобы помогать команде становиться лучше, эта метрика превращается в источник стресса и демотивации.

Почему TTM — это простая и полезная метрика

Несмотря на критику, TTM — одна из ключевых метрик, которая помогает понять, насколько эффективно команда и процессы компании в целом способны адаптироваться к изменениям рынка и запросам пользователей.

Несколько преимуществ правильного использования TTM:

1. Объективный показатель скорости. TTM четко показывает, как быстро идеи становятся реальными продуктами. Это позволяет выявить узкие места в процессе разработки (например, слишком долгие этапы технического проектирования, согласования или тестирования) и оценить эффективность внедрённых изменений в рабочие процессы.
2. Фокус на ценности для пользователя. Чем быстрее новая функциональность будет доступна пользователю, тем быстрее он сможет ею воспользоваться, следовательно, аудитория может закрыть свои потребности. За счет этого мы укрепляем конкурентное преимущества компании и в итоге увеличиваем доход благодаря более быстрому выходу продукта на рынок.
3. Стимул к оптимизации процессов. TTM помогает выявить и устранить неэффективные процессы. Например, автоматизация тестирования может сократить время на проверку функциональности. А улучшение коммуникации между отделами ускоряет согласование задач.
4. Поддержка стратегического планирования. Понимание TTM позволяет нам реалистично оценивать сроки вывода продукта на рынок и учитывать временные рамки при планировании рекламных кампаний и запуске связанных инициатив.
5. Мотивация для команды. Когда TTM используется как инструмент для улучшения, а не для давления, он помогает командам чувствовать удовлетворение от оперативного выполнения задач и понимать вклад каждого участника в общий успех.

Пара успешных примеров применения TTM:

• Компания внедрила автоматизацию процессов пайплайна CI/CD , что сократило TTM на 30%. Это позволило быстрее тестировать и выпускать обновления.
• В другой компании улучшили взаимодействие между бизнес-аналитиками и разработчиками, сократив время на согласование требований. В результате TTM для новых фич уменьшился на 20%.

Баланс между скоростью и качеством

Важно помнить, что TTM не должен использоваться в ущерб качеству. Оптимальный подход — сохранять баланс, где скорость разработки сочетается с достаточным временем для тестирования и проектирования, а команда сосредоточена на создании ценности, а не только на соблюдении дедлайнов.

Заключение

TTM — это метрика с двойным дном. Она может стать как причиной стресса и конфликтов в команде, так и мощным инструментом, который улучшит процессы и ускорит доставку до конечного юзера. Всё зависит от того, как вы её используете. Вместо того чтобы превращать TTM в инструмент давления, стоит рассматривать её как индикатор для анализа и улучшения работы всей команды. Ведь в итоге главное — это не просто быстро доставить продукт на рынок в каком-либо виде, а сделать так, чтобы он действительно решал задачи пользователей и приносил пользу.

В видео автор рассказывает о следующем:

1. SQL используется для работы с базами данных, позволяет извлекать, преобразовывать данные и изменять структуру таблиц.
2. Python используется для более сложных манипуляций с данными, включая сложные вычисления и визуализацию.
   
3. Важные библиотеки Python для аналитики данных включают NumPy, Pandas, Matplotlib и SciPy.
   
4. Python и SQL покрывают основные потребности аналитиков, делая их более ценными на рынке труда по сравнению с использованием только Excel.
   

Ниже — транскрибация ролика.

Привет! Меня зовут Андрей, я ведущий аналитик в немецком стартапе. И регулярно в своей работе я использую Python и я использую SQL. И мне часто задают вопрос, зачем нужен Python, ну зачем нужен SQL? Когда есть старый добрый Excel и когда так много компаний используют все еще Excel как основной инструмент аналитика или бизнес-аналитика. Я все равно на такие вопросы отвечаю. Excel хорош, но Excel не всемогущий. С помощью Excel невозможно сделать все. И в этом видео я рассказываю как именно аналитики, такие как я, используют Python, используют SQL?

Зачем аналитику SQL

Что вам нужно в нем знать, чтобы успешно применять в работе? И самое главное, что у вас могут спросить на собеседованиях по этим инструментам? Ну, в первую очередь, что такое SQL?

SQL – это язык работы, обращения к базам данных. Это некоторый инструмент или язык программирования, который позволяет общаться с базами данных. Где-то же данные изначально должны храниться, правильно? То есть, некоторые привыкли к тому, что данные просто хранятся в огромных таблицах в Excel. Но когда у вас огромное количество данных, когда у вас миллион пользователей, у вас миллион разных покупок, и у вас просто массивы и массивы гигабайт и гигабайт информации, их нужно где-то хранить. Их просто нельзя хранить в Word или в Excel-евском документе.

И тут в игру вступает база данных. И как раз-таки в базах данных хранятся огромные массивы информации, и SQL нужен, чтобы с ними взаимодействовать. Соответственно, первая функция SQL — это доставать информацию из баз данных.

Есть табличка, которая обозначает разные типы команд в SQL. А вас, как аналитика, в первую очередь интересует именно команда SELECT, которая позволяет вытаскивать данные. Вы можете просто вытащить данные, на них посмотреть. Они хранятся в табличной форме что у вас есть, чего у вас нет.

Но вам же не интересно просто выгрузить все. И дальше вступают в силу инструменты SQL. Это фильтры, различные ограничения, различные расчеты. Вы можете преобразовывать данные с помощью SQL. Вы можете создавать новые столбцы, или вы можете производить простые манипуляции с теми данными, которые у вас уже есть. Ну, допустим, вам нужно не просто достать сырые данные, миллионы-миллионы различных строк. Вам нужно посчитать среднее, или вам нужно почитать максимум, или вам нужно соединить две таблицы, а потом произвести некоторый расчет.

В этом SQL тоже очень полезен. Он позволяет очень просто и очень быстро произвести некоторое простое преобразование. Ну, допустим, у вас есть некоторый интернет-магазин, в котором есть информация по покупкам пользователей по различным городам. Вы можете рассчитать средние покупок по различным городам. Вы можете рассчитать максимальную покупку. Вы можете рассчитать количество покупок. И, соответственно, в SQL есть некоторый набор таких необходимых минимальных функций, которые позволят произвести быстрый расчет. Вы можете посчитать какие-то метрики. Вы можете сразу же с помощью SQL посчитать конверсию в покупку. Допустим, сколько у вас было пользователей, сколько я из них купила и так далее, и так далее.

То есть вы вытащили ваши данные с помощью SQL, вы произвели простые преобразования, и помимо этого аналитику, скорее всего, может понадобиться это создание, удаление, обновление таблиц. То есть это команды CREATE, DELETE и UPDATE, которые вот в схеме я как раз показывал. Это когда вам нужно создать новую таблицу или внести изменения в некоторую старую.

Ну, представьте себе, что у вас есть интернет-магазин. Структура данных так устроена, что у вас есть таблица по пользователям, которые купили с помощью карты на вашем сайте, и у вас есть таблица по пользователям, которые купили с помощью PayPal. И вы хотите объединить это все в одну таблицу, чтобы она была отдельная, чтобы у вас была одна полная таблица. Но в таком случае вы используете команду CREATE.

Соответственно SQL вам будет полезен как раз таки в этих трех кейсах:

1. доставать данные;
2. преобразовывать данные;
   
3. создавать или вносить изменения в структуру таблиц, которые уже есть.
   

После того, как вы произвели все первоначальные махинации с помощью SQL, вы достали ваши данные, вы посмотрели на ваши данные, вы, может быть, сделали простые вычисления, в дело вступает Python.

Почему нельзя без Python?

Что такое вообще Python? Python это объектно-ориентированный язык программирования, который используется не только в аналитике данных. Он используется как один из основных инструментов для бэкендеров, он используется и в машинном обучении, он используется и в веб-разработке, ну, в общем, Python, он такой достаточно многофункциональный.

Но суть в том, что аналитики используют некоторое ограниченное количество библиотек, которые нужно только для анализа данных. Это библиотеки NumPy, это библиотеки Pandas, это библиотеки Matplotlib, это библиотеки SciPy. Есть такой основной набор, такой боевой наборчик для каждого аналитика.

Что можно делать в Python? Ну, в первую очередь Python позволяет сделать более сложные манипуляции с данными, нежели чем SQL. С помощью SQL, допустим, если мне нужно сделать сложные какие-то преобразования, изменить как-то структуру, добавлять новые столбцы, то это часто выливается в километровые запросы SQL.

Именно потому, что SQL не предназначен для такого. В Python можно сделать все гораздо проще, гораздо чище. То есть в Python можно загрузить ваши данные, которые вы получили из SQL, можно загрузить их в форме CSV, можно напрямую подключиться к вашей базе данных, и после этого можно уже менять данные. Можно добавлять новые столбцы, можно их крутить, можно делать более сложные вычисления. Это, кстати, другая вещь, для которой используется Python.

Это какие-то сложные комплексные расчеты. То есть, с одной стороны, SQL прост, когда вам нужна какая-то простая арифметика, когда вам нужно найти сумму, допустим, или какой-то минимум, или какой-то максимум, если вам нужно сделать что-то сложнее. Ну, допустим, для аналитика это какие-то статистические меры, дисперсия, стандартное отклонение или что-то сложнее. Или если вы, как продуктовый аналитик, делаете расчет А/B-тестов, то для этого вам тоже пригодится Python. Потому что Python позволит вам рассчитать легко и быстро выборку для A/B-теста. Вы можете сделать это и в SQL, конечно.

Вы можете загуглить формулу и потом эту формулу перенести в SQL и все то же самое рассчитать. Но зачем вам это делать, если в Python это буквально одна-две строчки? Это просто одна функция, с помощью которой вы можете это рассчитать. Соответственно, вы выгрузили данные в Python, вы как-то их преобразовали с помощью библиотеки Pandas. Вы потом рассчитали какие-то стат величины с помощью SciPy, Stats. Допустим, он покрывает у меня 80% моих нужд по статистическим величинам.

Вы, может быть, рассчитали стандартное отклонение, вы, может быть, рассчитали P-value, если это A/B-тест, вы, может быть, что-то дополнительное посчитали. И потом Python позволяет очень быстро визуализировать данные. Это прям так удобно. То есть, конечно, аналитик обладает какими-то инструментами визуализации. Аналитик владеет, допустим, Tableau. Или аналитик владеет Power BI. Но в Python это все быстро и стремительно.

В SQL ты видишь данные, но ты не можешь часто понять общие картинки, потому что данные хранятся в табличной форме. В Python все гораздо проще. То есть, с помощью библиотеки Matplotlib или с помощью других библиотек по визуализации ты можешь быстро визуализировать, допустим, два столбца. Посмотреть там есть на глазок корреляция, допустим, между двумя величинами или нет. Ты можешь делать самые разные визуализации, и ты можешь делать это быстро. То есть мне очень нравится в этом плане работа с Python, потому что ты заходишь, открываешь юпитер ноутбук, и ты начинаешь крутить данные. То есть ты их выгрузил, и потом ты посмотрел на одном графике, посмотрел на другом графике, соответственно, прежде чем строить графики в Tableau или в Power BI или показывать их своим коллегам, можно быстро посмотреть на свои данные. Можно быстро их визуализировать, прикинуть, что можно посчитать, прикинуть, какие тренды есть, и потом уже презентовать выводы.

Соответственно, когда я говорил про продуктовую аналитику и чем он занимается, вот Python именно полезен в этой части поиск каких-то новых инсайтов, расчет статистических величин, и прежде чем вы строите дашборды, это тоже полезно. Максимально полезно. Вы можете посмотреть, как эти данные вообще выглядят. То есть, может быть, в процессе вам придет какая-то новая идея. Соответственно, в принципе, это и есть весь такой цикл аналитической работы. Данные где-то хранятся, вы их выгружаете с помощью SQL, вы их как-то преобразуете, делаете какие-то базовые преобразования, потом вы открываете их в Python, вы делаете более сложные преобразования ваших данных, вы рассчитываете некоторые величины, вы строите графики, вы производите исследования, и потом уже эти исследования вы презентуете и вы подтверждаете с помощью Python или опровергаете их.

Если вы, допустим, углубляетесь в Data Science, вы можете использовать также библиотеки для машинного обучения, вы можете делать какие-то более сложные вещи. Python, он такой достаточно гибкий инструмент, и самое главное, он модульный инструмент. То есть, если вам что-то нужно, и вы не знаете, как это сделать, велик шанс, что уже есть для этого библиотека, уже есть для этого функция, и вам не нужно все это заново забивать.

То есть, многие задачи, например, на теории вероятности, которые могут задавать на собеседовании для продуктового аналитика, или на комбинаторику, это просто одна функция в Python. И это так просто, мне это так нравится. И это не читинг, это просто, если вы понимаете принцип, вы можете сразу ее использовать. Ну и, соответственно, на расчет статистических величин. Вам не обязательно помнить все формулы наизусть. Формулы за вас уже забиты. Вам главное знать, какую формулу использовать в каждый отдельный момент.

И потом уже с этой информацией вы можете идти к стейкхолдерам, вы можете сказать, смотри, я нашел раз, два, три в дате, или я преобразовал дату таким образом, что мы можем эту данные использовать для того, чтобы построить дашборд, который ты всегда хотел, или может быть я нашел что-то необычное, какую-то аномалию в наших данных, и тоже это там нужно исправить. По факту вот оно и есть, 100% потребностей покрывает Python SQL, ну не 100, но хотя бы 95%. Excel сюда никак не впихнуть, конечно, то есть он не покрывает оставшиеся 5%, но в некоторых случаях он нужен. Но если вы будете знать Python и SQL, но вы не будете знать Excel, то поверьте мне, стоить вы будете гораздо дороже. Удачи вам с обучением SQL, удачи вам с обучением Python.

Если вы уже освоили SQL и Python и хотите использовать эти навыки в реальных проектах, рассмотрите возможность стать QA Team Lead в IT-компании SM Lab. Это отличная возможность для тех, кто хочет управлять командами и улучшать процессы тестирования.

Про аналитику данных мы уже писали. Если вас интересует эта тема — вот подборка любопытных материалов:

IT-soft skills — это способности, которые демонстрируют индивидуальный подход к работе и взаимодействию с другими людьми. Эти навыки более непосредственно связаны с личностными характеристиками кандидата, то есть они остаются актуальными, даже если кандидат меняет специализацию. Примеры ИТ-навыков включают коммуникацию, лидерство и решение проблем, которые могут помочь кандидату казаться более желанным, чем если бы он просто демонстрировал профессиональные навыки.

Актуальность развития soft skills

В статье Forbes отмечается, что при приеме на работу новых сотрудников работодатели оценивают soft skills выше, чем технические. Умение программировать может быть критически важным, если вы разработчик программного обеспечения, но эти навыки не будут иметь значения, если вы не умеете делать мягкие вещи: хорошо работать в команде, руководить проектом, четко общаться и критически мыслить. Soft skills особенно важны, если вы хотите взять на себя больше ответственности — это позволяет вам успешно перейти от роли индивидуального контрибьютора к роли лидера. Также опрос LinkedIn показал: «Технические возможности могут продвинуть вас только до определенного уровня в вашей карьере. Чтобы по-настоящему взлететь, вам нужны навыки, которые сложнее измерить, но которые имеют решающее значение для успеха. В LinkedIn ... По отчету, 89% рекрутеров говорят, что когда найм не работает, это обычно сводится к отсутствию навыков Soft Skills».

Поскольку soft skills играют все более важную роль в удовлетворенности работодателя и продвижении по карьерной лестнице, развитие этих навыков настраивает вас на долгосрочный профессиональный успех. Непрерывное обучение и совершенствование навыков важны как для формальных лидеров, так и для отдельных лиц, стремящихся преуспеть на развивающемся рабочем месте.

Soft skills бизнес-аналитика

Какие soft skills нужны бизнес-аналитику, чтобы обеспечить успех проекта? Давайте рассмотрим, какие ключевых soft skills ИТ-бизнес-аналитиков важны при работе над техническими проектными решениями с проектной командой и заказчиком.

Обмен данными по документации

Целью подготовки артефактов не документация, а коммуникация. Когда вы намерены общаться с читателем вашего документа, ваши артефакты становятся более значимыми и понятными. Я прочитала несколько документов, написанных бизнес-аналитиками, и должна сказать, что это было иногда мучительно и утомительно. В основном потому, что в документах были страницы и страницы текста, в которых использовались сложные слова, что требовало от меня обращения к глоссарию, чтобы понять, что пытается передать автор.

В других случаях я читала документы, в которых автор пытался передать концепцию очень упрощенно, используя комбинацию слов, диаграммы, схемы, таблицы и иные инструменты, которые гораздо проще воспринимаются при прочтении. Такие писатели вплетают историю в свои документы, что позволяет легко читать, понимать и ссылаться на них на более позднем этапе. Неудивительно, что такие термины/методы, как user stories, journey map, клиентский опыт и тому подобное появились и активно используются по сей день.

Попытайтесь общаться с помощью своих документов, а не просто для того, чтобы поставить галочку в графе, чтобы сказать, что вы создали артефакт. Это произойдет, если вы посмотрите на этот аспект своей работы через призму soft skills.

Выявление требований и понимание потребностей

Выявление требований - это не просто процесс сбора информации, это искусство понимания бизнеса изнутри. Я не просто провожу интервью, я погружаюсь в бизнес, стараясь понять его потребности и цели, тем самым помогая сформулировать требования. Иногда клиенты не уверены, чего они хотят или даже не осознают своих потребностей. В таких случаях я предлагаю им взглянуть в будущее, рисуя картину возможного состояния. Мое видение помогает бизнесу осознать требования, даже если они еще не созрели в их сознании. Иногда люди, с которыми я работаю, застряли в текущих проблемах и даже не понимают, что может быть по-другому, и нуждаются в помощи, чтобы увидеть, как может выглядеть успех.

Бизнес-аналитик должен направлять бизнес и выявлять требования. Только тогда вы сможете поставить под сомнение их требования, если они не соответствуют их потребностям. В противном случае все, что вы будете делать как бизнес-аналитик: собирать требования, формировать протоколы и собирать со всех подписи, реализовывать по ним функциональность, и когда бизнес скажет: «Это на самом деле не соответствует нашим потребностям»... Вы подумаете: «Но я дал тебе то, о чем ты просил».

Реализация и внедрение изменений

Бизнес-аналитики широко востребованы для успешной реализации проектов и выполнения трудоемкой работы, направленной на достижение целей проектов и удовлетворение ожиданий всех заинтересованных сторон. Но BABOK и мировое сообщество бизнес-аналитиков определяют бизнес-анализ следующим образом:

«Business analysis is the practice of enabling change in an enterprise by defining needs and recommending solutions that deliver value to stakeholders. Business analysis enables an enterprise to articulate needs and the rationale for change, and to design and describe solutions that can deliver value». BABOK

Перевод: «Бизнес-анализ - это практика стимулирования изменений на предприятии путем определения потребностей и рекомендации решений, которые приносят пользу заинтересованным сторонам. Бизнес-анализ позволяет предприятию сформулировать потребности и обоснование изменений, а также разработать и описать решения, которые могут принести пользу».

Ключевыми словами для меня здесь являются «enabling change». Если вы раскроете это понятие немного больше, вы поймете, что большая часть роли бизнес-аналитика заключается в том, чтобы обеспечить успешный переход бизнеса от старого к новому. Вы будете иметь дело со страхами и запретами конечных пользователей или других затронутых сторон, сопереживать им и устранять их страхи, опасения и неопределенность. Речь идет о построении отношений с заинтересованными сторонами, чтобы они чувствовали себя в безопасности, делясь с вами своими тревогами, и верили, что вы учитываете их интересы. Чем больше они доверяют вам, тем лучше вы можете способствовать изменениям.

Фасилитация встреч и переговоры

BABOK определяет «Переговоры и разрешение конфликтов» как ключевую базовую компетенцию бизнес-аналитика. Когда мы выявляем требования и управляем ими, вполне вероятно, что возникнут конфликтующие требования, поступающие от разных заинтересованных сторон. Именно тогда бизнес-аналитик не только собирает всех в одной комнате и проводит сессию, но и ведет переговоры и добивается консенсуса между заинтересованными сторонами. Чтобы быть переговорщиком, нужны особые навыки. Уметь делать это так, чтобы обе противоположные стороны видели в вас нейтрального человека и по-настоящему беспристрастного. Это возможно только в том случае, если бизнес-аналитик обладает достаточным эмоциональным интеллектом, чтобы не принимать чью-либо сторону и не поддаваться влиянию личного мнения. Речь идет не о том, кто прав, а о том, что лучше для организации. Бизнес-аналитик должен вести переговоры таким образом, чтобы все заинтересованные стороны понимали, что мы делаем проект в интересах организации. Нужен особый человек, чтобы заставить заинтересованные стороны осознать это на фоне их гнева или разочарования.

Заключение

Роль бизнес-аналитика всегда больше, чем требования, карты процессов и артефакты в целом. Роль бизнес-аналитика была, есть и всегда будет сложной, и для того, чтобы быть успешным в этой области, требуется особая личность. Люди, которые думают, что речь идет только о результатах и артефактах, не зайдут так далеко с заинтересованными сторонами, но построение доверия и отношений с бизнесом для обеспечения изменений и создания ценности — это то, что нужно, чтобы пройти дистанцию и быть признанным и оцененным.

Ставкана инновации

Популярность технологий Task Mining и Process Mining набирает обороты в России, растёт количество промышленных внедрений и пилотных проектов.

Газпромбанк одним из первых оценил перспективы технологий. Так, первые процессные модели на базе Process Mining команда банка внедрила ещё в 2018 году, с 2021 года занимается внедрением и развитием технологии Task Mining.

Татьяна Свидунович, Первый Вице-президент Газпромбанка, открывая серию митапов, отметила, что: «Как врачи следят за нашим с вами здоровьем, так и инструменты Task Mining и Process Mining помогают поддерживать “цифровое здоровье” бизнес-процессов в Газпромбанке – они выявляют проблемы и помогают предоставить бизнесу самое эффективное “лечение” для правильного функционирования организма».

Александр Бочкин, генеральный директор Инфомаксимум, компании-вендора системы Proceset, поделился своим видением трендов процессной аналитики, а именно:

• мультипроцессная аналитика –
  tисследование бизнес-процессов в
  tсовокупности и с учётом их влияния друг
  tна друга;
• маркетплейс – ускорение реализации
  tпроектов на основе готовых шаблонов;
• действие по клику – приоритизация,
  tотправка оповещений и создание задач
  tпрямо из дашборда;
• искусственный интеллект – расширение
  tвозможностей анализа процессов и
  tопераций.

Особый акцент Александр сделал на живую демонстрацию автоматического построения аналитики через управление голосом в системе Proceset.

«Будущее за работой на стыке технологий, – рассказал Александр, – в частности связке Task Mining, Process Mining и Artificial Intelligence. Например, уже сейчас возможности искусственного интеллекта позволяют автоматически строить дашборды, отправляя запросы голосом. Это экономит время и помогает неподготовленным сотрудникам самостоятельно и быстро получать нужную информацию без затрат на разработку аналитических панелей. Применение такого подхода позволяет кратно увеличивать количество реализованных проектов».

Во время дискуссии Татьяна и Александр обсудили технологии Task Mining и Process Mining, их будущее в эпоху AI и масштабирование лучших практик и бизнес-эффектов на другие отрасли экономики.

Практическийопыт

Об опыте внедрения технологии Task Mining в Газпромбанке рассказали Елизавета Поваляева и Алексей Голубинцев.Сейчас это одно из самых крупных внедрений Task Mining в России по охвату внутренних заказчиков и реализуемых инициатив. Команда банка собрала 6 сервисов для бизнес-заказчиков: поиск потенциала для автоматизации и роботизации процессов, проведение нормирования с целью сбора статистики по операциям, анализ скорости работы систем и её влияния на конечных пользователей, кроме того, в банке запущен трекер для внешних систем.

«Технология Task Mining позволяет буквально увидеть каждый клик, каждое действие исполняемой операции, – комментирует Елизавета Поваляева, начальник Центра RPA, лидер практики Task Mining. – На текущий момент более 26 тыс. агентов Task Mining помогают делать наши процессы эффективнее: собирают и обрабатывают детализированные данные об исполнении операций. Это большой фундамент для исследований и инноваций в процессном управлении».

«Алгоритмы Task Mining по выделению операций в настоящее время активно развиваются и совершенствуются, – соглашается с мнением коллеги Алексей Голубинцев, заместитель начальника Департамента банковских процессов. – Думаю, имплементация моделей ИИ в Task Mining может существенно повысить возможности и качество оцифровки операций. Уверен, в ближайшем будущем Task Mining станет основным инструментом в задачах оптимизации бизнес-процессов и повышении эффективности бизнеса».

Завершился митап панельной дискуссией, в которой приняли участие руководитель Центра процессной аналитики Департамента корпоративного развития Россельхозбанка Артём Хван, директор по информационным технологиям СберФакторинг Андрей Глушак, руководитель Центра повышения операционной эффективности МТС Банка Вячеслав Климов, директор ООО «ММК-Учетный центр» Оксана Самойлова. Спикеры рассказали, как пришли к необходимости использования технологий, поделились конкретными кейсами и их результатами. В процессе дискуссии участники обсудили вопросы метрик для оценки успешности проектов, обучение сотрудников профильным компетенциям, планы по масштабированию технологий на смежные департаменты и необходимость кросс-функционального обмена опытом.

Process Mining и Task Mining – мощные инструменты, которые продолжают эволюционировать. В 2024 году их роль в управлении бизнес-процессами станет ещё более значимой. Российские компании, внедряющие эти технологии, получат значительные конкурентные преимущества, повысят эффективность своих процессов и уровень удовлетворённости клиентов.

ProcessTech 2024 стал первым митапом из серии, направленной на популяризацию и развитие технологий в России. На мероприятии удалось не только обсудить текущие тренды и вызовы в области, но и сформировать предпосылки для создания профильного комьюнити.

Начиная новый проект или работая над модернизацией текущего проекта, в ходе обсуждения бизнес-аналитик или другое ответственное лицо собирает множество требований, которые возникают у заинтересованных сторон. Первоначально это текстовое описание, таблицы, затем к ним добавляются UML-диаграммы.

Эти инструменты позволяют описать то, как будет работать продукт и как пользователи будут с ним взаимодействовать. Чаще всего получается довольно объемный документ или набор документов, где описаны функциональные и нефункциональные требования, варианты взаимодействия (use case diagrams) и чек-листы для тестирования. Что же из этого лучше с точки зрения разработчика? В идеале – это готовый прототип программного продукта, демонстрирующий, как пользователь взаимодействует с ним, что именно требуется разработать, как и в какой последовательности должны появляться окна для заполнения информации. Остается только открыть текстовый документ, чтобы в нем свериться со свойствами атрибутов. Увы, чаще всего из-за нехватки времени и желания сэкономить многие команды пренебрегают созданием такой модели.

Второй, не менее популярный, метод — это описание функционирования продукта с помощью нотаций ARIS eEPC и BPMN 2.0. Чем же они удобны?

Преимущества ARIS eEPC – простыми словами

Нотацию ARIS eEPC разработал основатель IDS Scheer Август Вильгельм Шеер со своими коллегами. Взяв за основу методологию IDEF3, он дополнил ее до модели EPC – расширенной цепочки процесса, управляемого событиями, которую позже стали называть «процессно-событийная модель» (дословно Event-driven Process Chain). Используемая для моделирования бизнес-процессов в инструментарии ARIS, она представляет собой последовательность событий и функций, отражающих логику выполнения взаимосвязанных действий, направленных на достижение определенного результата. По сути, если созданная модель описывает функциональность разрабатываемого ПО, то она является инструкцией для разработчика.

Посмотрим на основные компоненты данной нотации:

Функция служит для описания функции или набора действий (процедур, работ), выполняемых подразделениями или сотрудниками организации над исходным объектом и ведущих к получению промежуточного или финального результата или события.

Событие – описывает состояние процесса, которое является существенным в рамках этого процесса и оказывает влияние на этот бизнес-процесс или контролирует его дальнейшее развитие

Операторы «И», «Или», «Исключающее ИЛИ», служат для развилок по какому сценарию далее пойдет выполнение сценария в зависимости от того. что выберет пользователь или какой будет вариант ответа на вопрос.

Документ – используется для отображения на диаграмме документов, файлов и т.п. сопровождающих выполнение функции.

IT system используется для отображения на диаграмме некоторой информационной системы, её модуля или даже отдельной функции ИС, поддерживающей выполнение функции, с которой её связывают в модели.

“Подразделение” и т.п. – используется для отображения на диаграмме организационных единиц, являющихся исполнителями, владельцами или участниками функции, с которой субъект связывается.

Функции в модели ARIS EPC запускаются событиями: например, «Поступила заявка на рассмотрение». Событиями они и оканчиваются: например, «Запрос удовлетворён» или «Заявка отклонена». Если в результате исполнения функции имеется только один вариант дальнейшего выполнения бизнес-процесса, т.е. в результате формируется только одно событие, после которого идет следующая функция, – событие между этими функциями может не рисоваться. В Интернете можно найти множество статей на данную тему и детально познакомиться с данной нотацией.

Какое преимущество она имеет с точки зрения разработчика? Лично мне нравится работа с данной нотацией потому, что я вижу, какие окна программы могу создать, что расположить на них, где сделать развилки с вариантами выбора, разместить загрузчики файлов и т.п. Мне остается только посмотреть типы полей и ограничений, чтобы создать модель базы данных и разместить соответствующие компоненты в окнах программы. Нет необходимости в чтении обширной документации по продукту. Это очень удобно, особенно когда я попадаю в проект не в самом начале или подменяю коллегу, который заболел или в отпуске. С помощью этой нотации понять смысл продукта, как он должен работать, где искать ошибку в той или иной ситуации – быстрее и проще, чем смотреть пользовательские истории или документацию ПО.

Но есть и сложности. Чаще всего разработкой ARIS eEPC занимается бизнес-аналитик без опыта в программировании или создании баз данных. Поэтому многие моменты, которые он может посчитать очевидными и понятными, являются проблемами для разработчика. Вот наиболее типичные ошибки при составлении нотаций, которые я встречал:

Некорректное изображение самой цепочки работ

Последовательное использование двух функций одной за другой.

После каждой функции должно следовать «событие». Использование событий помогает быстро определить, где необходимо создать формы для ввода данных, а где необходимо использовать компоненты для загрузки файлов.

Пример из жизни: требование «Предоставить сведения о земельном участке». Без обозначения на нотации документа пояснения в виде «Предоставлен документ со сведениями о земельном участке» или «Введены сведения о земельном участке» сложно угадать, что нужно сделать: создать загрузчик для документов или все-таки поля для ввода реквизитов документа.

И самое опасное – когда нотацию строят не только сверху – вниз, но еще и слева – направо.

Чем же данные ошибки опасны? Основным ограничением проекта является время и трудозатраты. Последний вариант является самым рискованным, так как разработчик очень легко может спутать направления ветки сценария и спроектировать программу неправильно. Также могут не быть указаны дополнительные компоненты, такие, как «Документ», или события, поясняющие, что должно произойти после функции. В этих случаях разработчики тратят время на изучения всего пакета документов, чтобы определить, что же они должны сделать. Или им необходимо планировать встречу с аналитиком или владельцем проекта для получения разъяснений. В ситуациях, когда «проект должен быть сделан вчера» или необходимо исправить ошибку в течении нескольких часов, – иногда простые задачи превращаются в сложные. Данных ошибок можно легко избежать, если делать нотацию ARIS eEPC в соответствии с правилами.

Применение BPMN 2.0 в разработке ПО

В первом десятилетии XXI века стали активно развиваться технологии Workflow, ориентированные на автоматизацию обработки документов и выполнения заданий. В связи с этим стала актуальной автоматизированная поддержка управления гибкими и часто изменяющимися бизнес-процессами. Существующие в тот момент методологические и технологические ограничения в сфере моделирования и автоматизации процессов не позволяли оперативно реагировать на изменяющиеся потребности бизнеса, своевременно вносить изменения в информационные системы, сопровождающие эти процессы.

В ответ на этот вызов международная организация BPMI (Business Process Management Initiative) разработала новый подход к управлению бизнес-процессами – BPM (Business Process Management) и предложила нотацию BPMN – систему условных обозначений для моделирования бизнес-процессов. В 2011 году в нее был внесен ряд улучшений и вышла версия BPMN 2.0, которая сегодня активно используется в бизнесе. Чем она лучше прежних нотаций? В ней стали использовать параметр «Время», на моделях бизнес-процессов стало возможно показывать события и множество моментов, которые ранее было сложно описать.

Но самое важное – на базе данной нотации разрабатываются системы Business Process Management System (BPMS). Программное обеспечение для управления бизнес-процессами (BPMS) помогает компаниям определять и развертывать автоматизированные бизнес-процессы, а также управлять ими. Оно заменяет трудоемкие операции, выполняемые вручную, на оптимизированные рабочие процессы в бизнес-приложениях. По сути, мы не только рисуем бизнес-процесс, но и используем его в работе нашего ПО.

BPMS используют различные BPM-движки. В нашем случае используется платформа Camunda, которая поддерживает BPMN, нотацию описания бизнес-процессов. То есть в BPMN можно нарисовать логику любой сложности, а движок её выполнит. Большинство процессных вещей, которые можно сделать в BPMN, делать в чистом коде дороже в десятки раз.

Camunda поддерживает последнюю версию Java и вообще любой JVM-язык — Kotlin, Scala, Groovy и т.п. Более того, в ней гораздо проще менять логику работы или исправлять ошибки и оперативно обновлять программное обеспечение.

В инструменте Camunda Modeler или его аналогах можно создать весь бизнес-процесс работы приложения и вставить программный код, который будет исполняться на каждом его этапе. Это существенно облегчает разработку модели бизнес-процессов, использование BPMS в решении задач. При использовании данного инструмента тоже необходимо придерживаться правил. К сожалению, их часто нарушают аналитики при разработке модели:

• Нотация должна идти слева-направо.
• Если используете цвета, делайте легенду: к какой группе относятся данные процессы.
• Подписывайте потоки, указывайте, какой из них выставляется по умолчанию, если есть несколько вариантов.
• Если несколько процессов выполняют одну функцию – объедините в группу.

Нотация BPMN нотации и реальный процесс в BPMS системе процесс могут различаться. Например, одно действие, указанное в документе как «Одобрить счет» может состоять из ряда операций, которые проще разделить на несколько последовательных процессов и разместить их последовательно. Это не считается ошибкой, но многие специалисты рекомендуют в таких случаях составлять подпроцесс и в нем помещать уже необходимые процессы. Это не всегда удобно. При отладке процессов легче найти ошибку, если все задачи расположены в одном процессе.

К сожалению, чаще встречается проблема с тем, что разработчик процесса начинает составлять процесс не только справа – налево, но и сверху вниз, забывая оставлять подписи на потоках и процессах. При работе с такими процессами очень сложно найти допущенные ошибки или переделать скрипты в задачах, особенно если результаты передаются в другие задачи.

Данные ошибки в реальном проекте, например, привели к значительной потере времени. Когда проект передавали новому сотруднику, ему пришлось долго разбираться в процессе, чтобы внести необходимые изменения.

Также встречались случаи, когда процессы зависали в ходе выполнения из-за того, что был случайно удален поток, но из-за «загромождения» задачами, разработчик не видел этой потерянной связи между задачами. Если процесс рисовать слева – направо, то нет проблем с его пониманием и легко ориентироваться как в нем происходят развития различных вариантов использования.

Надеюсь, что данный материал поможет командам разработки избежать типовых ошибок при создании ПО. Указанные в статье нотации действительно облегчают понимание функционирования будущего программного продукта. Но отступление от правил при составлении этих нотаций лишает их преимуществ перед бумажным вариантом.

Автор: Павел Осипов, руководитель практики BI компании iFellow.

Практически все крупные и средние компании так или иначе работают с данными. Анализ данных помогает им сокращать затраты и увеличивать продажи за счет поиска новой аудитории и удержания лояльных клиентов, т.е. добиваться результата при минимальных издержках. Я называю Business Intelligence (BI) бизнес-разведкой. Она помогает компаниям принимать решения, основанные на анализе внутренних и внешних данных.

BI-аналитик — это специалист, который собирает информацию из разных источников, анализирует их с помощью специальных ИТ-инструментов и оформляет выводы в удобном для восприятия формате.

Важность данных при принятии управленческих решений с каждым годом все возрастает — увеличивается и спрос на профильных специалистов в сфере BI.

Кому нужны BI-специалисты

Можно выделить две группы компаний, которым нужны BI-специалисты. К первой относятся компании, которые традиционно строят свои бизнес-модели на основе аналитики. Для них критически важно анализировать поведение своих клиентов (ритейл, финтех) или открытых источников (консалтинг, HR).

Ко второй группе относятся компании из реального сектора экономики — производства и сельского хозяйства. Они только начинают присматриваться к возможностям BI, но перспектива использования данных в этих отраслях колоссальна. Сейчас наиболее продвинулись в области аналитики данных нефтедобывающие компании. Спрос со стороны реального сектора на специалистов в области BI будет расти.

Специализация внутри профессии

BI-специалистов можно разделить на три категории:

• Data-инженеры собирают, обрабатывают и очищают данные, то есть делают их пригодными для дальнейшей работы.

• BI-разработчики строят бизнес-инструменты для визуализации данных: рисуют дашборды, загружают туда данные и настраивают обновления. Такими инструментами пользуются бизнес-пользователи — сотрудники различных подразделений и департаментов.

• BI-аналитики исследуют данные, тестируя гипотезы. Они ищут инсайты, которые помогают бизнесу стать эффективнее.

На рынке труда нет проблем со специалистами второй категории: для визуализации данных не требуются глубокие технические знания. Обучиться нужным навыкам довольно просто.

Больше всего не хватает специалистов первой категории, где важна достаточно глубокая техническая подготовка: навыки работы с базами данных, парсинга веб-страниц, генерации данных. В эту сферу приходят люди с бэкграундом разработчика.

C BI-аналитиками ситуация двоякая: специалисты есть, но хороших — нужно поискать. Дело в том, что здесь важна природная склонность и особый аналитический склад ума. Обучиться нужным компетенциям — не всегда достаточно для того, чтобы стать хорошим специалистом.

Чем хороший BI-аналитик отличается от плохого

В BI силен человеческий фактор: можно одинаково хорошо владеть инструментами аналитики, но один специалист будет давать сухие выводы четко по запросу, а другой — приносить прорывные инсайты. От чего это зависит? От soft skills — мягких навыков. Вот основные:

• Страсть к данным. Когда человек увлечен своей профессией, поиск неочевидных закономерностей — это удовольствие.

• Проактивность. Бизнес-пользователи не всегда точно знают, что хотят получить на выходе — хороший BI-аналитик выходит за рамки ТЗ, если видит в этом необходимость. Например, тестирует заданную гипотезу, а заодно еще две, о которых не просили — профессиональное чутье подсказало. Бывает, что именно там кроются инсайты.

• Здоровый перфекционизм. Это стремление выполнить каждую задачу на 200%. Например, нужно составить отчет о количестве прибыльных проектов за последние полгода. Можно просто вывести абсолютную цифру и долю среди всех проектов. А можно добавить к этому топ-5 и топ-10 самых прибыльных проектов, вывести зависимость прибыльности от других критериев — сроков, команды и т.д.

• Навыки коммуникации. BI-специалисту важно уметь общаться с бизнес-пользователями: понимать их запрос и разговаривать на понятном им языке — без лишних терминов и погружения в механику аналитической работы.

Технологический стек

Как и в других сегментах ИТ-рынка в BI изменился набор доступных инструментов. Раньше достаточным было базовое знание Python, SQL и одного из популярных BI-инструментом — PowerBI, Tableau или Qlik. Сейчас этого мало. Стек расширяется, требования растут. Появляются новые критические библиотеки и модули, с которыми можно работать. Особую популярность приобретают open source решения, которые нужно дорабатывать под свои задачи. Компании переходят на российские инструменты — Visiology, Luxms BI, Arenadata и др. Как опытным, так и начинающим специалистам необходимо развивать свои компетенции в соответствии с изменениями рынка.

Как наращивать уровень компетенций

Советы начинающим специалистам в BI довольно стандартные и применимы к любому сегменту ИТ.

1. Пробовать. На старте важно не только изучать теорию, но постоянно практиковаться. Если нет возможности стажироваться на реальных проектах, то стоит придумывать и выполнять личные задачи. Например, создать свой сервис анализа курса доллара — организовать сбор данных с биржи, подготовить их, отрисовать таблицу и загрузить в нее данные, визуализировать отчет. Так можно поэкспериментировать с оформлением, оптимизировать процессы сбора и загрузки данных, корректировать метрики.
2. Собирать актуальный опыт. Опытные специалисты ведут блоги и Tелеграм-каналы. Стоит подписаться на те, которые максимально близки к вашим профессиональным интересам. Тренды, кейсы, исследования — там много полезного.
3. Постоянно учиться. Открытые базы знаний есть на Хабре, GitHub, на сайте PowerBI. Появляются курсы при вузах и на онлайн-платформах: если есть пробелы в знаниях, стоит их компенсировать.

Ключевая задача анализа данных в бизнесе — автоматизировать процессы и помочь найти правильные решения на основе данных. Чтобы на данные можно было ссылаться, они должны быть собраны и проанализированы. Здесь в дело вступают дата сайентисты и аналитики данных. В этой статье мы поговорим об основных инструментах для сбора и анализа данных.

Анализ данных — не только новая профессиональная область, но и актуальный навык для специалистов из разных областей. Эту статью мы подготовили совместно с образовательной онлайн-платформой OTUS.

Что такое данные?

Данные — это совокупность наблюдений, качественных или количественных, которая призвана сообщить некую информацию.

Данные бывают структурированные и неструктурированные. Фотографии, голосовые сообщения, отзывы клиентов — это неструктурированные данные. Чтобы их можно было использовать для анализа, они должны быть обработаны, то есть структурированы. Фотографии, например, могут превратиться в таблицу, содержащую информацию о месте и времени съёмки, именах модели и фотографа и технических характеристиках получившихся снимков. Голосовые сообщения могут быть расшифрованы, отсортированы по отправителю и получателю, теме послания или длительности. А отзывы клиентов могут подвергнуться сентимент-анализу и визуализированы в виде облака слов или графов.

Зачем вообще анализировать данные? Зависит от конкретной области. Маркетинговые показатели помогают в планировании и оценке эффективности рекламных кампаний. Продуктовая аналитика изучает опыт взаимодействия пользователей с продуктом, измеряя частоту обращения к продукту, период взаимодействия с ним и другие данные, анализ которых помогает совершенствовать продукт. HR-аналитика помогает собрать портрет кандидата и оценить заинтересованность в компании разных категорий соискателей. Но эти и другие области объединяет цель найти эффективное решение, опираясь на данные и не ограничиваясь интуицией и личным опытом.

Какими бывают инструменты для работы с данными?

Работа с данными не осуществляется вручную, она предполагает использование специальных инструментов и состоит из нескольких этапов: сбора, анализа, визуализации и прогнозирования данных.

Анализ данных в MS Excel

Excel — базовый инструмент, которым должен владеть каждый, кто хочет работать с данными. Это не только таблицы и формулы: Excel даёт большие возможности для обработки данных и помогает решать задачи разного масштаба, вплоть до обработки большого массива данных с помощью плагинов.

Помимо базовых функций, условного форматирования, сводных таблиц и диаграмм аналитику важно овладеть надстройкой Power Query: она позволяет интегрировать в Excel и обрабатывать данные из внешних источников.

Чтобы научиться принимать решения на основе больших данных, освойте инструменты аналитики на курсе «Аналитик данных» от OTUS. В конце курса у вас будет законченный проект, на котором вы отработаете разные методы анализа данных. Пройдите входное тестирование на сайте, чтобы определить свой текущий уровень знаний.

MS Power BI для бизнес-аналитики

Power BI — мощный инструмент для бизнес-аналитики и визуализации данных. Платформа собирает, структурирует и преобразовывает огромные объемы информации из широкого спектра источников в понятные и наглядные дашборды.

Технически система Power BI состоит из нескольких сервисов, которые взаимодействуют между собой, создавая платформу для полного цикла работы с данными: от сбора и обработки до визуализации и распространения. Power BI Gateway отвечает за установку безопасного соединения между локальными данными и облачным сервисом Power BI Service. Создавать отчёты и дашборды можно в приложении Power BI Desktop, инструменты Power BI Embedded помогают встроить эти отчёты в веб-приложения и встроенные системы, а Power BI Mobile предоставляет доступ к данным и отчётам из любой точки мира.

Power BI популярен не просто так: у него много преимуществ в сравнении с другими инструментами. Он позволяет работать с данными, собранными их самых разных источников, будь то базы данных, файлы Excel, облачные хранилища данных или сервисы веб-аналитики. Легко интегрируется с другими продуктами Microsoft, такими как Excel, SharePoint, Dynamics 365, Azure, что обеспечивает совместимость и единообразие в работе с данными.  А ещё его можно настроить так, чтобы данные собирались и обновлялись автоматически: это полезная функция для среднего и крупного бизнеса и производств. Собранные с помощью Power BI данные помогут автоматизировать бизнес-процессы и повысить эффективность работы компании.

Освоить современные методы работы с большими данными поможет курс «BI-аналитика» от OTUS. Он подойдёт как начинающим аналитикам, так и опытным product-, маркетинг- и project-менеджерам, которые хотят освоить инструменты визуализации метрик и глубже разобраться в аналитике проектов. Пройдите вступительный тест на сайте, чтобы получить специальную скидку.

Язык SQL для управления данными

SQL — язык для создания, чтения, обновления и удаления данных в реляционных базах данных, то есть таких, в которых данные хранятся в виде связанных таблиц. SQL позволяет создавать, изменять и удалять таблицы, индексы, хранимые процедуры и другие объекты базы данных, а также извлекать и модифицировать данные в этих таблицах.

SQL подходит для работы с реляционными базами данных в разных индустриях и сферах бизнеса: от здравоохранения до розничной торговли и банковского дела.

Если вы хотите построить карьеру в аналитике данных, обратите внимание на специализацию «Системный аналитик» от OTUS. Вы научитесь анализировать дату, предлагать гипотезы и предсказывать показатели. А ещё — прокачаете резюме и сможете претендовать на позиции Middle+. Узнать больше и оставить заявку можно по ссылке.

Библиотеки Python для обработки и анализа данных

Язык программирования Python — универсальный инструмент работы с данными. Достаточно написать скрипт или программу, чтобы выгрузить данные, создать machine learning модель, построить нейронную сеть или собрать статистику. Для каждой задачи Python имеет свою библиотеку.

Самая популярная — Pandas, она собирает данные из базы данных SQL и создаёт двумерную таблицу. Pandas полезна, когда нужно проанализировать неструктурированные данные, и использует для этого готовые методы индексирования, манипулирования, сортировки и объединения данных.

Для работы с однородным многомерным массивом подойдёт библиотека NumPy. Она используется для обработки массивов, в которых хранятся значения одного и того же типа данных. NumPy облегчает математические операции с массивами, тем самым повышая производительность и ускоряя время выполнения запроса.

С помощью дополнительных пакетов Matplotlib и Seaborn можно визуализировать данные в разных формах: гистограммах, круговых и линейных диаграммах, диаграммах рассеяния, тепловых картах, диаграммах размаха и многих других. Разница между ними в том, что Matplotlib позволяет представить данные преимущественно в столбцовых, круговых и линейных формах, а Seaborn расширяет эти возможности, предлагая больше шаблонов визуализации с более простыми синтаксическими правилами.

Язык R для анализа статистических данных

R — главный конкурент Python, когда дело касается работы со статистическими данными. Это язык программирования, который позволяет манипулировать данными, применяя основные методы статистического анализа: корреляцию, линейную и логистическую регрессию, дисперсионный и регрессионный анализ.

Это универсальный инструмент для сбора, обработки и визуализации любых данных — культурных, медицинских или экономических. Другое преимущество языка R в том, что он прост в освоении и подойдёт даже тем, кто не имеет опыта в программировании.

Обучиться R для работы с данными можно на курсе «Язык R для анализа данных» от OTUS. Уже через 4 месяца вы сможете обрабатывать большие массивы, строить дашборды, автоматизировать задачи и достигнуть новых высот в аналитике.

Дата-специалисты: в чём разница и кем быть?

Навык работы с данными полезен сам по себе — и эйчару, и экономисту, и маркетологу. Но есть и отдельные профессии, сконцентрированные на работе с данными в той или иной форме. Они имеют свою специфику работы и отличаются по требованиям к знаниям разных инструментов.

Аналитики данных часто обращаются к программированию на Python, R или SQL, а ещё используют альтернативные инструменты для анализа и визуализации, такие как Power BI, Tableau или Metabase. Например, собирают у отдела продаж данные о клиентах, сегментируют их по частоте обращений, сумме чека и количеству позиций, а затем исследуют взаимосвязи между этими данными.

Специалисты по Data Science преимущественно занимаются обработкой неструктурированных данных, кодят на Python и создают модели машинного обучения для обнаружения общих категорий данных. Например, создают алгоритм, строящий прогнозы на основании загруженных данных. Данные о клиентах от отдела продаж помогут принять решение, на какой продукт стоит сделать ставку, потому что его чаще покупают клиенты, а какой стоит доработать из-за низких продаж.

Как стать специалистом по работе с данными? На образовательной онлайн-платформе OTUS более 10 курсов и специализаций для тех, кто хочет научиться управлять данными и находить эффективные решения. Выбирайте из курсов по продуктовой аналитике, бизнес-аналитике, системному анализу, HR-аналитике и другим подходам к работе с данными, оставляйте заявку, — и первый шаг будет сделан!

Реклама ООО «Отус Онлайн-Образование» LjN8KTDCG

Чтобы стать системным или бизнес-аналитиком в IT сфере, необходимо пройти обучение, но прежде стоит разобраться, что это за специалисты и какие проблемы они решают.

Чем занимается системный аналитик?

Предположим, от некоей организации поступает заказ на разработку программного продукта. В обязанности системного аналитика входит:

• проанализировать требования заказчика;
• оформить их в документ;
• передать полученную информацию напрямую разработчику или PM.

Грубо говоря, это переводчик технических заданий на привычный язык IT-специалистов. Такая коммуникационная оптимизация сокращает время переговоров и сводит последующее внесение правок к минимуму, так как обе стороны изначально понимают, что от них требуется.

Но и это не всё: важно также доносить до команды разработчиков обратную связь.

Системный аналитик vs. менеджер проектов

Чем они отличаются? Этот вопрос резонно возникает после ознакомления с обязанностями системного аналитика в IT. Нет, это не один и тот же специалист — задачи и цели у них разные:

1. От системного аналитика требуется оформить техническое задание и спецификации в документ. Менеджеру в данном случае достаточно изучить полученную документацию и приступить к работе над ней.
2. Системный аналитик — это специалист, который также участвует в формировании прототипов, изучает процессы и при необходимости вносит изменения в документацию.
3. В то время как менеджер проектов всегда находится в потоке многозадачности, системному аналитику важно сформулировать требования к IT-системе и достоверно описать задачи для разработчиков.
4. Также в обязанности менеджера проектов входит тесная работа с командой, а в некоторых компаниях и её развитие.

А что насчёт бизнес-аналитика?

Бизнес-аналитик выясняет, каковы реальные потребности бизнеса, и на базе этих знаний принимает решения по изменению IT-системы и отдельных процессов.

Наиболее важное в работе бизнес-аналитика — это встречи с клиентами и внутренние собрания с командой.

В отличие от системного аналитика, который выясняет требования клиента и составляет ТЗ для разработчика, бизнес-аналитику требуется копнуть глубже, выявить реальные боли заказчика, цели, с которыми он пришёл за продуктом, и понять, решит ли его проблемы выполненный проект, либо нужно скорректировать план работ.

К дополнительным обязанностям бизнес-аналитика относятся:

• анализ и оценка рисков;
• обсуждение выполненной работы;
• при необходимости внесение правок и планирование изменений;
• презентации и тренинги по использованию готового продукта.

Кроме того, бизнес аналитика требует понимание ГОСТов, моделирования процессов и методологий бизнес-анализа, потому обучение таких специалистов сопровождается погружением в нотации, стандарты и лучшие практики.

Востребованность и зарплаты

Бизнес-аналитик входит в пятёрку самых востребованных специалистов по управлению бизнес процессами:

На момент написания статьи на HeadHunter только в Москве насчитывается 1 778 вакансий по запросу «Системный аналитик»:

По данным Glassdoor, средняя зарплата системного аналитика в России составляет 144 751 ₽ в месяц:

У бизнес-аналитиков это примерно 100 780 ₽ в месяц:

Разница между системным и бизнес-аналитиком в IT

Во многом обязанности данных специалистов пересекаются, поэтому освоить обе профессии проще, чем кажется на первый взгляд.

Именно поэтому онлайн-университет GeekBrains проводит набор на курсы системной и бизнес-аналитики: программа включила в себя темы, необходимые для обеих специализаций.

Выводы

IT — это не только о разработке, поэтому если у вас есть тяга к сфере информационных технологий, но программировать нет никакого желания, обратите внимание на профессии аналитиков. Это востребованные специалисты, которые облегчают процесс взаимодействия заказчика и разработчиков, активно участвуют в переговорах и заранее предупреждают возможные недопонимания сторон.

Два года назад в России стал довольно активно развиваться рынок краудлендинга. Краудлендинг — это процесс, при котором группа инвесторов дает займы компаниям. Но изюминка заключается в том, что в роли инвесторов выступают обычные люди, такие как мы с вами. А заемщиками выступают обычные организации типа ИП или ООО, которые в основном управляют либо розничным бизнесом, либо e-commerce. Соответственно была запущена инвестиционная платформа, которая сводила вместе инвесторов и заемщиков.

Не стоит и говорить, что сразу после запуска площадки руководству потребовалась управленческая и аналитическая отчетность для управления бизнесом. Была поставлена цель быстро настроить предоставление ежедневных оперативных ключевых показателей для кампании.

Сам WEB-сайт инвестиционной площадки и все его внутренние процессы, или так называемый «кредитный конвейер», крутились на БД PostgreSQL. Кредитный конвейер — это собирательное понятие, описывающее весь процесс выдачи компаниями кредитов, начиная от подачи заемщиком заявки на займ и заканчивая погашением кредита.

Стек технологий, который был выбран для внедрения этого проекта, был БД MS SQL + SQL Server Analysis Service + сводные таблицы OLAP в Excel (BI система) для разработки ежедневных кубов OLAP.

Перед дальнейшим рассказом хотел бы расшифровать некоторые термины:

• OLAP — это online analytical processing, он же — оперативный анализ данных. Для обычного потребителя отчета это выглядит как сводная таблица в Excel. Но подключается она к SQL Server Analysis Service для отбора данных и отображения их в Excel.
• DWH – аббревиатура от Data Warehouse, т.е. хранилище данных. Некая база данных, где собирается вся информация о нашем проекте.
• ETL-процесс — Extraction-Transformation-Loading т.е. Извлечение, Обработка, Загрузка. Подразумевается процесс загрузки данных из одной или нескольких исходных систем в DWH. Этот процесс извлекает информацию из внешних систем-источников, трансформирует ее, очищают и загружают в единое хранилище.
• BI-система – инструмент аналитики и визуализации показателей. Business Intelligence (BI) позволяет компаниям собрать информацию из различных источников, проанализировать ее и представить в наиболее понятном и удобном для восприятия виде. С помощью различных программ и инструментов BI специалисты анализируют большие массивы данных, на основании которых разрабатывают и автоматизируют отчетность и дашборды. На основе полученных данных сотрудники принимают ключевые для развития компании решения

Важно понимать, что под сводными таблицами в Excel понимается не просто статичный отчет, а полноценная BI-система для аналитики данных. Набор показателей и фильтров, которыми можно «вращать» в реальном времени. Добавлять/удалять показатели, настраивать фильтры и смотреть статистику в различных разрезах — все это называется общим термином аналитика показателей.

Круг задач, которые нужно решить, был следующим:

1. Настроить ежедневную выгрузку данных из БД PostgreSQL в хранилище DWH.
2. Собрать структуры данных и детальные витрины показателей Data Marts.
3. На основе этих витрин собрать кубы на MS Analysis Service и при этом посчитать порядка 30 показателей и измерений.
4. Собрать сводную таблицу с помощью которого можно смотреть показатели и проводить аналитику. Добавлять показатели, фильтры и разрезы для получения нужной статистики.

Архитектура для данного проекта была принята следующая:

Что было сделано в первую очередь?

В первую очередь был настроен обмен данными с хранилищем через ETL-процессы. В MS SQL были созданы коннекторы, которые могли подключаться источнику данных. Под источником понимается другая БД PostgreSQL. Также при создании коннектора установили драйверы для PostgreSQL и настроили системный DSN.

Витрины данных (Data Marts)

Следующим большим шагом проекта было создание витрин данных. В самой базе было создано всего 3 основные смысловые схемы:
stg — от слова STAGE. В ней лежат таблицы структура данных приближенная к источникам. Туда загружаются данные напрямую из источника.
dim — от слова dimensions. Схема, в которой хранятся справочники.
dds — от слова detail data stage т.е. детальный слой данных. В ней собираются уже обработанные данные взятые из stg.

Для общего понимания обработка dds выглядит как набор процедур и функций порядка 2000 строк чистого SQL кода. Важно заметить, что динамический SQL не использовался, что сильно упрощало жизнь.

Ну и один из последних шагов — создание кубов на MS SQL Analysis Service. Выполнялось все это с помощью инструмента Visual Studio. В них создается физическая и логическая структура сущностей на основе витрин DDS. А также настраиваются показатели и измерения с бизнес понятными переводом для потребителей отчетов.

Также очень важно понимать, что кубы OLAP очень удобно использовать на небольших хранилищах не более чем в несколько терабайт. Если речь идет о построении больших хранилищ, например для ритейла, телекоммуникаций или банковской сферы, то объемы данных начинают исчисляться десятками терабайт. Большие объемы требуют полноценные BI-решения с наличием высокопроизводительных серверов. Например, такие продукты как Oracle BI, SAS BI являются полноценными Enterprise решениями стоимость которых начинаются с цифры с нескольким количеством нулей и исчисляется в долларах.

В общем была создана система аналитики на основе OLAP со стартовым набором показателей, которая сильно помогла в принятии дальнейших управленческих решений для развития бизнеса.

В заключение, скажу, что это был только первый этап построения аналитической отчетности. На текущий момент хранилище очень сильно выросло и в объемах, и в количестве источников. Но базис, заложенный в начале, очень сильно помог в развитии дальнейшего бизнеса. А смысл всей истории в том, что не обязательно тратить месяцы на разработку и моделирование архитектуры для построения DWH, как обычно это бывает. При запуске бизнеса или стартапа, можно пожертвовать техническим долгом для быстрого достижения бизнес целей и делать это можно вполне успешно.

Нераскрытые сокровища бесполезны

Науку о данных упоминают, когда говорят о перспективной высокооплачиваемой профессии современности или обсуждают возможности успешного бизнеса. Но действительно ли Data Science – это именно то, что всегда нужно бизнесу?

Бизнесу требуется информация, которая стимулирует действия и процессы, приносящие прибыль. Неструктурированные данные можно сравнить с еще ненайденным кладом или пока не реализованным потенциалом. Их интеллектуальная ценность скрыта от несведущих людей до тех пор, пока не примет форму, применимую в практической сфере. Так и в корпоративных базах данных хранятся несметные сокровища информации, которая при правильной интерпретации и дальновидной стратегии может стать ключом к успеху. Business Science – данные для бизнеса, применимые к конкретным практическим бизнес-целям.

Приведем пример из далекого прошлого, повлиявший на развитие всего человечества.

Исторический экскурс

Датский астроном Тихо Браге, живший в эпоху Возрождения, первым в истории человечества систематически в течение многих лет проводил астрономические наблюдения за движением планет. За годы деятельности он накопил огромный массив сверхточных данных, у которых не было обоснованных объяснений и научного применения. С точки зрения современной науки, эти данные – Data Science в чистом виде. Что можно сделать с подобной информацией и как ее применить, продемонстрировали последователи Тихо Браге.

Немецкий математик и астроном Иоганн Кеплер, интерпретируя данные, полученные Тихо Браге, эмпирически открыл законы движения планет. В начале XVII века, когда жил Кеплер, человечество еще не обладало математическими знаниями, которые позволили бы найти практическое применение уникальной информации.

Только почти столетие спустя три закона Кеплера обобщил Исаак Ньютон. Он применил математический анализ и законы механики, которые не были известны Тихо Браге и Кеплеру. Законы Кеплера (обобщенный анализ движения планет) подвели Ньютона к открытию закона всемирного тяготения. Именно тогда человечество сделало первый практический шаг на пути освоения космоса.

Какой вывод можно сделать из этого исторического экскурса? Даже огромный массив данных, в котором содержится уникальная и достоверная информация, не принесет практической пользы, если для его применения нет подходящих инструментов или навыков. Это особенно важно для бизнеса, результатом которого должна быть прибыль – источник роста, развития и трансформации организации.

Различия в Data Science и Business Science

Data Science – дисциплина, в целом изучающая анализ и обработку цифровых данных. Академический предмет включает множество современных наук, связанных со статистикой, искусственным интеллектом, проектированием баз данных. В данной области используются как структурированные, так и неструктурированные данные. При всей многогранности многие сферы Data Science являются чистой наукой и основой для практических инструментов, необходимых бизнесу.

Business Science – это инструментарий точной аналитической настройки, созданный на основании достижений науки о данных. Работает только со структурированными данными. Изучает тенденции и закономерности, характерные именно для бизнеса. Business Science применим для решения конкретных задач бизнеса в разных областях деятельности, оптимизации путей их достижения и в конечном результате – максимизации прибыли. Использование Business Science с целью анализа и определения трендов уже широко встречаются в таких отраслях, как финансы, медицина, маркетинг, розничная торговля, управление поставками, телекоммуникации и др. По факту, Business Science – это источник операционной эффективности бизнеса.

Какими качествами и навыками должен обладать специалист Business Science?

Хорошему бизнес-аналитику, работающему с массивами данных, нужно уметь:

• интерпретировать и анализировать данные – выделять из огромного объема цифр и показателей, которыми располагают современные компании, полезные для бизнес-анализа. На основании логики и анализа имеющихся данных разрабатывать прогнозы и рекомендации, работать со статистикой и математическими алгоритмами, так как бизнес-анализ основан на статистических концепциях;
• визуализировать – трансформировать выводы о тенденциях и закономерностях в визуально понятный формат, представлять информацию графически в виде диаграмм, графиков;
• эффективно коммуницировать – навык убеждения необходим для представления и защиты предложений по усовершенствованию бизнеса перед менеджментом и инвесторами – людьми, принимающими решения.

Примеры использования данных в Business Science

Сегодня аналитика данных применяется в различных предпринимательских сферах. С ее помощью компании выполняют самые разноплановые задачи. Спектр применения очень широк – от привлечения новых клиентов, разработки программ лояльности и умных маркетинговых кампаний, управления потоками товаров до определения таких рисков, как прогноз и предотвращение поломок оборудования, вычисление мошенников и недобросовестных партнеров.

Качественная аналитика для бизнеса

Образно говоря, специалисты Business Science помогают менеджменту компании превращать цифровые данные (показатели) в добавочную стоимость (прибыль). Интерес современного бизнеса к науке о данных является потребностью в качественной бизнес-аналитике, способной правильно сформулировать проблему, предусмотреть потенциальные риски и указать оптимальный путь к цели.

Business Science – это именно то, что нужно. Наука представляет рекомендации на основе данных, сочетая современные возможности информационных технологий, лучшие бизнес-практики и даже бизнес-интуицию, которой обладают лучшие управленцы.

Кто такой бизнес-аналитик? Это специалист, функции которого включают всего понемногу:

1. Системный аналитик.
2. Продукт оунер.
3. Customer Account Manager.
4. Технический presale.

В требованиях к вакансии бизнес-аналитика можно увидеть следующее:

• общение с заказчиком и выявление его потребностей;
• декомпозиция требований и построение бизнес-кейсов;
• техническое сопровождение маркетинговых активностей.

Звучит вроде просто, но давайте посмотрим, какие навыки и знания стоят за каждым из таких требований.

Что должен знать и уметь бизнес-аналитик

Прежде всего, нужно хорошо знать сам продукт. Причем не только на уровне юз-кейсов, но и сверху вниз, вплоть до языков программирования и фреймворков, на которых написано решение. Потому, что приходится общаться с представителями заказчика из разных подразделений.

С маркетологами – на языке юз-кейсов и выгод для клиента и бизнеса.

С менеджерами продуктов и инженерами –  спускаться на уровень эксплуатации решения и показывать экраны, делать упор на функциональность, удобство в работе с ним.

С IT и техническим специалистами – говорить про модульную архитектуру решения, отлаженные CI/CD пайплайны.

С DBA (Database Admitistrator) – про высокую производительность и доступность. И говорить, конечно, не общими фразами, а кейсами других заказчиков и демонстрировать, как это будет работать у того, с кем ведутся переговоры.

Чтобы уверенно разговаривать на всех этих уровнях, требуется их глубокое понимание, которое приходит только с практикой. Поэтому хороший аналитик должен уметь сам писать хотя бы читать код, уметь строить BPMN процессы (Business Process Model and Notation) и, естественно, отлично знать продукты компании.

Ну а дальше важно уметь выбирать необходимый уровень детализации в разговоре в зависимости от собеседника. Это тоже приходит с опытом и разными проектами.

Следующая роль – помощь в создании роадмапов. То есть знание трендов, отрасли и лучших практик, понимание, куда все движется. Это значит досконально знать решения лидеров рынка, мониторить ключевые источники. Там, где возможно, попробовать демо-версию конкурентных продуктов, изучить функциональность, архитектуру. Дальше выделить то, чего нет в компании, и рассказать об этом подразделению R&D. Как минимум, нарисовать слайды, как максимум – сделать небольшой прототип на open source решениях.

К тому же такой подробный анализ конкурентов и продуктов будет необходим, когда придется доказывать заказчику, почему ему стоит свопнуть существующее решение и поставить наше. Каждый может сказать, какое у него «гибкое современное решение с маленьким CTO и низким time-to-market». Другое дело, выдать что-то вроде «На вашем легаси бренда Х у вас до сих пор используется 2 разных системы для процесса Y. Поэтому каждый ролл-аут нового продукта у вас занимает в разы больше времени, не говоря уже о стоимости поддержки. С нашим единым решением вы сможете это исправить, и вот успешные кейсы, где мы это уже сделали».

Также, как правило, бизнес-аналитик подключается к presale в качестве технического эксперта на вторую-третью встречу. От него ждут экспертизы по продуктам и архитектурным стандартам, но обычно появляется еще ряд задач.

Например, в моей практике в 90% случаев я сам рисую слайды для внутренних и внешних презентаций. Значит, нужно уметь это делать. Отсюда вытекают требования к экспертному владению PowerPoint и хорошему знанию дизайна (какие цвета сочетаются, как лучше расположить текст), а также к навыку публично выступать.

Само собой, идеальный английский, если проекты на международном рынке. Нужно уметь понимать и быть понятым, даже если заказчик сам не является носителем и говорит с сильным акцентом (довольно часто).

Как видите, получается что-то вроде универсального солдата, который всегда готов временно сыграть нужную роль. Скажете сложно, это же тройная работа? Да, так и есть, но плюсы того стоят.

Позиция невероятно интересная. Она дает полную картину того, что происходит в компании, я вижу весь бизнес целиком. Эта работа позволяет развернуться, почувствовать масштаб того, что делает компания, продукт и какой вклад вношу лично я. Меня это мотивирует.

Какими инструментами пользуется бизнес-аналитик

Сказать, какой инструмент «главный» сложно. Зато легко выделить те, работе с которыми я уделяю больше всего времени:

1. Инструмент общения. В нашей компании принято использовать Teams. У кого-то больше почта, где-то Slack и даже телеграм. В любом случае большая часть времени посвящена встречам.
2. Excel. Несмотря на то, что JIRA подчас намного удобнее для ведения задач и процессов, не у всех заказчиков она есть. Старый добрый Excel покрывает 99% задач.
3. Power Point. Лучший способ передать идею – это личная презентация со слайдами. А потому почти каждая наша встреча требует слайдов. Вот мы и проводим в поинте неприличное количество времени.
4. Google. Золотое правило «если не знаешь что-то, сначала спроси Google». Удивительно, но подчас нагуглить что-то оказывается даже быстрее, чем спросить у товарища-эксперта.

Как стать бизнес-аналитиком

Как же стать бизнес-аналитиком? На мой взгляд, сразу – никак. Можно вырасти из системного анализа, можно – из маркетинга и продаж. Первый вариант, на мой взгляд, более выигрышный, техническому специалисту проще научиться общаться и доносить бенефиты, чем маркетинговому – разбираться в программировании и архитектуре. Но, естественно, все зависит от человека.

Мой путь строился так. Я закончил МФТИ (Физтех), учась на третьем курсе пошел на кафедру, которую курировал разработчик IT–решений для телеком-бизнеса. Там я проходил курсы по сетям, CI/ CD, BSS/OSS, по продуктам компании.

По окончании вуза начал работать в той же компании на позиции presale. В этой должности на практике разобрался, как все работает и, спустя 1,5 года, стал системным аналитиком. Работая, постоянно тюнил soft skills – тут что-то конкретное подсказать трудно, в интернете есть множество полезных ресурсов. А дальше методично подтягивал слабые области из тех, что написал выше. Это не быстрый процесс, зато очень увлекательный!

«Основное следствие проблем с требованиями — переделка того, что, как вы думаете, уже готово»

С самого начала книги автор доносит мысль о том, что переделки в проекте — это вещь неизбежная. Невозможно, чтобы заказчик и компания-разработчик сразу поняли друг друга в полной мере. Однако выявление необходимости переделок на разных этапах будет стоить совершенно по-разному. Наиболее безболезненно и наименее затратно исправлять ошибки, которые появились в ходе качественной работы квалифицированного аналитика с требованиями. В случае, если ошибка была обнаружена в ходе разработки, то помимо проекта придётся переделывать также и часть уже написанного кода. Если в ходе тестирования, то часть кода, которую потребуется скорректировать, будет еще больше. Теперь представьте, какие затраты будут, если ошибку обнаружит уже после завершения разработки и тестирования сам конечный пользователь и позвонит с жалобой? В книге автор приводит пример из собственного опыта, который был переведен в цифры одним из его клиентов. Трудозатраты на исправление дефекта внутри компании составляли 200 долларов. При этом исправление ошибки, когда она была обнаружена пользователем, уже составляла 4200 долларов, т.е. больше чем в 20 раз дороже. Книга доказывает, что качественная работа с требованиями — это не пустая трата ресурсов, а инвестиция в успех проекта.

«Нигде более, как на стадии сбора требований, так тесно не связаны интересы всех заинтересованных в проекте лиц с успехом проекта»

И здесь автор прав. После того как получен запрос или бизнес-задача от заказчика и до того момента, как стартовала разработка, то есть непосредственно написание кода, наступает то самое время, когда можно максимально приблизить проект к успеху. В этот момент начинается работа по выявлению, сбору, анализу, классификации, спецификации, документированию и управлению требованиями. Автор подробно описывает каждый из этих этапов, приводит живые (что самое интересное) кейсы, примеры ошибок и варианты исправления. Главное, чему учит книга — это как избежать тех самых ошибок при разработке требований к ПО. Требования представляют собой фундамент проекта, они являются основой для действий команд разработки и тестирования, для инженеров внедрения и для руководителей проектов. Поэтому от их проработки зависит успех всего проекта.

«Разработка ПО включает по крайней мере столько же общения, сколько и обычная работа с компьютером, но зачастую мы делаем акцент на работе с компьютером и не уделяем достаточно внимания общению»

Это одна из ключевых мыслей книги. Хорошие требования не появляются в процессе работы с документами на компьютере или в процессе самостоятельного моделирования прототипов и проектирования систем. Хорошие требования появляются в результате кропотливой и вдумчивой работы с людьми: со стейкхолдерами, пользователями системы, с разработчиками, тестировщиками и менеджерами проектов. Только в ходе общения с заинтересованными сторонами появляется возможность выявить их потребности и сформулировать требования к системе, по-настоящему удовлетворяющей их. В противном случае, есть риск получить понятный, красивый с яркими картинками документ для разработки системы, которая, в конечном счете не отвечает ничьим ожиданиям.

Такие ситуации иногда возникают у аналитиков в процессе работы над проектами, когда слишком много времени уделяется проектированию и документированию, и слишком мало – общению, сбору информации и получению обратной связи.

У меня был такой опыт. Я подготовил проект, отвечающий требованиям, обозначенным заказчиком в запросе. По моему проекту была выполнена разработка и произведено тестирование внутри проектной команды. Однако после отгрузки доработки системы и приёмки заказчиком выяснилось, что бизнес-цель, которая ставилась при создании запроса, не была достигнута. Разобравшись, я понял, что совершил классическую ошибку, о которой пишет Вигерс: увлекся процессами проектирования, уделив основное внимание решению технической задачи, обозначенной заказчиком в блоке требований. При этом я не учел требования бизнеса. Как выяснилось позже, в запросе присутствовали противоречивые требования. Их можно было бы устранить только в ходе общения с представителями бизнес-подразделений заказчика.

«Лучше один раз увидеть, чем 1024 раза услышать»

Еще один яркий момент, который произвел на меня впечатление, это то, как расписана важность визуализации требований. Точнее «комбинация текстовых и визуальных способов представления требований на различных уровнях абстракции».

У каждого типа представления свои преимущества, и они подходят каждый для своей цели. Например, при помощи изображений можно преодолеть барьеры, связанные с непониманием некоторых терминов внутри команды. Или при помощи диаграмм потока сообщений можно визуально быстро сориентироваться, в какой момент где какие данные передаются в системе. Автор приводит примеры ряда различных способов представления требований (карты, таблицы, диаграммы, прототипы) и поясняет, в каких случаях удобно использовать те или иные методы.

В книге много информации о самих процессах разработки требований, фактически – более половины книги. Все процессы описываются на живых примерах, в виде «стенограмм» с рабочих встреч с дальнейшим анализом с профессиональной точки зрения. На протяжении книги читатель оказывается постоянно вовлечен в участие в отдельных эпизодах большого проекта сложной системы. Это создает целостное представление о проблемах, с которыми сталкивается команда в ходе крупного проекта, и о методах, которые позволяют эти проблемы решать, и, самое главное, не допускать.

Детально расписаны роли участников проектов и их задачи, обоснована необходимость постоянного контроля обратной связи. Представлены методы управления требованиями, контроля внесения изменений, приемы моделирования и подходы к дизайну, а также рекомендации, как правильно фазировать процессы в жизненном цикле ИТ проекта.

В книге даже приведены шаблоны документов, которые, признаться, я по сей день частично использую в проектах. Подробно останавливаться на каждом описанном процессе не буду, их очень много. Понять, что можно узнать из книги легко – достаточно прочитать оглавление, оно очень подробное =).

В этом материале я хочу рассказать о том, как подготовиться к интервью, как пройти его и оставить о себе отличное впечатление.

Подготовка

Вы — опытный аналитик: за вашими плечами годы практики, десятки проектов, сотни пользовательских историй и диаграмм, тысячи часов митингов. Неужели этого недостаточно, чтобы пройти часовое интервью?

В случае с интервью лучшая импровизация — это та импровизация, которая подготовлена заранее. Несколько часов подготовки значительно повысят ваши шансы и помогут показать себя с лучшей стороны.

Заранее познакомьтесь с компанией (20 мин.)

В этом помогут интернет или коллеги, которые, возможно, в ней работают или работали:

• За счет чего компания зарабатывает деньги?
• Как давно она на рынке?
• Где расположены ее офисы?
• Участвовала ли компания в разделениях/присоединениях/поглощениях за последний год?

Посмотрите свежие новости о компании: там тоже может быть что-то интересное.

Эта информация не обязательно пригодится на интервью, но определенно даст вам больше контекста. А вовремя подмеченный факт может приятно удивить и произвести впечатление на собеседника.

Изучите информацию о бизнес-домене (1-3 ч.)

Важно потратить отведенное на подготовку время с умом. Сконцентрируйте свои усилия на том, чем вам предстоит заниматься на новом месте. Если задача проекта заключается в автоматизации складского учета в фармацевтической компании, не стоит начинать 100-часовой курс по биологии. Значительно полезнее найти и ознакомиться с feature list для warehouse management-систем и проконсультироваться с коллегами, которые работали на аналогичных проектах.

У вас еще будет время с головой погрузиться в бизнес-процессы и предметную область, но сейчас оно ограничено.

Выясните требования к позиции и причину ее появления (20 мин)

Подойдите к вопросу со стороны определения business need:

• Что пытается решить компания, открыв эту позицию?
• Как я могу помочь закрыть эти потребности, используя свои навыки?

Хорошо, если описание позиции на hh.ru или карьерном сайте содержит всю необходимую информацию. Но бывает так, что описание позиции отсутствует или оформлено в общих словах. Если требования не приносят на тарелочке, их нужно добывать самому. В этот момент нужно вспомнить, что вы — аналитик! Расспросите HR или рекрутера. Не бойтесь задавать вопросы заранее, ведь предупрежден — значит, вооружен.

Согласитесь, замена аналитика на проекте, который идет полным ходом или старт нового направления — совершенно разные задачи. Соответственно, и требования к вашим компетенциям будут разными.

Подготовьте список вопросов (20 мин.)

Интервью — это не экзамен, а диалог профессионалов. Вы можете (и должны) свободно задавать вопросы, которые кажутся важными и могут повлиять на решение о совместной работе. О чем могут быть вопросы:

• компания и бизнес-домен (Life Science, Telecom, Finance, E-Commerce etc.);
• технологии и платформы (FE/BE, Mobile app, Data migration, OSS/BSS, CRM, Hybris, AEM etc.);
• командировки (частота, продолжительность, задачи);
• процессы и методология (Waterfall, Agile, RUP etc.);
• задачи и артефакты (что от вас ожидают и в каком виде);
• скоуп и время (какие задачи/эпики сейчас в работе и когда ожидается их завершение);
• фаза проекта и дальнейшие планы (Discovery, POC, MVP, Delivery, Go Live etc.);
• команда (численность, география, состав команды);
• инструменты (Jira, Confluence, etc.);
• онбординг (есть ли материалы для погружения в проект и сможет ли кто-то передать знания).

Подготовьте самопрезентацию (30 мин.)

Речь здесь не про слайды в Power Point, а про ту часть интервью, в которой вы рассказываете о себе. Мой совет: держите этот рассказ всегда под рукой на русском и на английском (если рассматриваете международные компании) языках. Акценты делайте на наиболее релевантном и свежем опыте.

Фокус:

• ваш вклад в результаты проекта;
• ваши персональные достижения;
• роли и обязанности;
• навыки, актуальные для проекта и возможность их адаптации в новых условиях.

Избегайте:

• описания результатов команды/проекта как своих личных достижений;
• информации, не актуальной для позиции, на которую вас собеседуют;
• слишком глубокого погружения в детали при описании опыта;
• рассказа про внепроектные активности (в этом нет ничего страшного, ведь внепроектные задачи помогают расти и развивать большое количество полезных навыков. Просто не забывайте о приоритетах).

Узнайте, кто будет вас интервьюировать (20 мин.)

• Это технический специалист или человек от бизнеса? Ответ на этот вопрос поможет вам лучше подготовить рассказ о себе и использовать подходящие примеры из своего опыта при ответе на вопросы.
• Какую роль этот человек занимает на проекте? Как он относится к проекту? Является ли он человеком, принимающим решения?

В случае, если по какой-то причине вам не удалось уточнить эту информацию до интервью и собеседник не представился, попросите его об этом в начале встречи.

Если вам предстоит общаться с представителем бизнеса, примите во внимание, что человек, который будет вас интервьюировать, не является аналитиком. В реальности это может быть кто угодно: руководитель департамента или даже CEO, менеджер проекта, продукт-оунер, кто-то из ключевых стейкхолдеров. Приготовьтесь услышать самые неожиданные вопросы.

Помните: работодатель видит в вас человека, который должен решить его проблемы. О том, что его беспокоит, не всегда известно заранее.  Ваша задача — сформировать гипотезы и проверить их во время диалога, а также постараться хорошо подготовиться к интервью.

Подумайте об организации рабочего пространства (online формат) (5 мин.)

Не хочется писать об этом много, но не упомянуть нельзя:

• Забронируйте комнату, если вы работаете из офиса, или создайте на время интервью тихую обстановку без отвлекающих факторов (особенно актуально в период удаленной работы).
• Проверьте оборудование и звук (специальная гарнитура всегда лучше и надежнее любых беспроводных вкладышей).
• Будьте полностью готовы за пару минут до начала интервью.

Во время интервью

Будьте дружелюбны

Ваша способность выстраивать коммуникацию — это именно тот навык, который может оценить любой человек, независимо от его познаний и опыта в IT. Какими бы ни были ваши потенциальные обязанности на проекте, от вас ожидается умение общаться и располагать к себе.

Не забывайте про внешний вид

Даже если интервью проходит онлайн, вас вполне могут попросить включить камеру. Помните, что общаясь с работодателем, вы должны показать себя с наилучшей стороны. Всегда лучше выглядеть более формально (Smart Casual), чем появиться в шортах и майке.

Отвечая на вопросы

Будьте конкретны. Приводите релевантные примеры и четко отвечайте на поставленные вопросы.

Не бойтесь переспросить, если не поняли или не расслышали вопрос. Это гораздо лучше, чем пять минут говорить не о том, о чем вас на самом деле спросили.

Будьте проактивным. Не бойтесь проявить инициативу, поддержать диалог самостоятельно, задать свои вопросы или провести small talk.

Не закапывайтесь в детали. Вам может быть очень интересна бизнес-логика процесса согласования договоров в системе, версия API или подход к проведению ретро на проекте. Все это обязательно нужно узнать, когда вас туда возьмут. Но сейчас лучше потратить свое время и время работодателя на более актуальные вопросы.

Заготовьте в уме несколько «козырей» — наиболее ярких и показательных кейсов, в которых ваша работа помогла решить реальные проблемы или привела к созданию бизнес-ценности для клиента. В нужный момент эти кейсы можно будет достать, как кролика из шляпы.

Используйте «золотую формулу» ответа на вопросы:

• Уточните, правильно ли вы поняли вопрос и проговорите его своими словами. Если нужно, попросите переформулировать.
• Задайте уточняющие вопросы.
• Приведите примеры из своего опыта.
• Предложите альтернативные варианты решения.
• Подкрепите свой ответ теоретической базой, основанной на индустриальных стандартах и экспертном мнении (BABOK, PMBOK, Wigers, Cockburn etc.).

Помните, что никто не знает всего на свете. Если у вас нет опыта в чем-то, честно признайтесь в этом и расскажите, как бы вы поступили, основываясь на знаниях теории. Дайте понять, что вы готовы освоить необходимые навыки, если это будет необходимо.

Дополнительно

Если ваш опыт позволяет, а позиция подразумевает:

Дайте понять, что вы можете работать в условиях нехватки информации, в неидеальном процессе и принимать решения в сложных ситуациях.

Будьте проблемно-ориентированным. Умение выполнять поставленные задачи — это хорошо. Но еще лучше — понимать, почему эти задачи возникают, как оптимизировать процесс и устранить источник появления лишней работы.

После интервью

Не принимайте поспешных решений и не давайте обещаний сразу после интервью. Очень важно взять паузу, «переварить» полученную информацию. Вы выбираете работодателя точно так же, как он выбирает вас.

Узнайте, в какие сроки и кто должен предоставить ответ по результатам интервью.

Это поможет сохранить нервы и закрепить договоренности.

Если вам отказали, обязательно запросите фидбек.

Причин для отказа может быть множество, например, позицию просто передумали открывать. Если же у работодателя возникли сомнения именно по поводу ваших навыков, их стоит проанализировать и, возможно, уделить время чтобы подтянуть свои знания.

Все мы хотим попасть на работу мечты. Но важно понимать, что «работа мечты» — это не точка на карте и не золотой город Эльдорадо. Работа мечты для каждого своя. Ей может стать любое место, куда вы идеально подойдете, где можете эффективно применять свои навыки, приносить максимум пользы, расти и помогать расти другим.

Готовьтесь к проектному интервью и ваши усилия обязательно будут оценены. Удачи!

Сертификаты — красивые бумажки или надежное подтверждение знаний? Стоит ли смотреть на их наличие, приглашая человека в свою команду, и стоит ли аналитику тратить время на их получение? Чем может быть полезна сертификация в IT?

Откуда появились сертификаты

Сертификаты — закономерная часть развития любой профессиональной области. Сначала появляется какой-то вид деятельности и люди, которые им профессионально занимаются. Через некоторое время они разрабатывают техники и подходы для решения задач. Постепенно зреет сообщество, которое однажды принимает решение — выработать общие рекомендации, признать некоторые практики стандартом.

Следующий этап — формирование критериев, позволяющих определить, способен ли человек решать стандартные задачи на профессиональном уровне, и институтов, проверяющих на соответствие этим критериям. Сертификация — разновидность такого социального института.

Мы гордимся высшим образованием, на диплом о котором смотрят при приеме на работу. Профессиональная сертификация — точно такой же маркер, пусть и дополнительный, и несет важную смысловую нагрузку.

О чем говорит наличие сертификата

Если институт, выдающий сертификаты, хочет жить долго, в его интересах создать имя, доказать, что выданный им сертификат действительно подтверждает знания и умения.

Проведу параллель с предметной областью: существуют агентства, которые присваивают компаниям финансовые рейтинги. Это ведь деньги из ничего! Они просто заявляют, что одна компания хорошая, а другой денег давать не стоит. Однако есть большая тройка рейтинговых агентств, мнению которых доверяют, а есть такие компании, как Anderson & Co, которая погорела на компании Enron и ушла с рынка.

Как только оказывается, что «бумажки», сертификаты или рейтинги, которые выдает некоторая организация, не имеют твердых оснований, ее сразу же сметает волна здорового капиталистического рынка. Точно так же организация, которая просто продает бумажки с разноцветными печатями, быстро теряет доверие.

Почему туристы часто заходят в «Макдональдс»? Потому что знают, чего от него можно ожидать. В незнакомой стране приезжий может хотя бы быть уверен, что не отравится. Наличие профессионального сертификата в определенной сфере работает как флажок: «Обрати на меня внимание!». Никто не говорит, что человек без сертификата заведомо хуже, чем человек с сертификатом. Но вы снижаете шансы нарваться на того, кто вам категорически не подходит, нанимая человека с сертификатом. От него можно ожидать определенный уровень знаний и умений, и заказчик, желающий снизить риски, вправе требовать у вендора именно таких людей. Такое случается, особенно в случае крупных клиентов, скажем, большого инвестиционного банка или страховой компании. Это повышает рыночную привлекательность сертифицированных специалистов.

Какими они бывают

Сертификации бывают разными. Есть сертификация на уровне фреймворка, например, сертификации IIBA, International Requirements Engineering Board или PMI. Есть сертификации по конкретным инструментам. Есть сертификация по моделированию бизнес-процессов с использованием BPMN, сертификации по UML. Все они гарантируют, что человек обладает определенными навыками, при этом чем меньше область сертификации, тем надежнее гарантия, что человек умеет делать что-то конкретное.

В системе сертификации, которую выстроил сейчас IIBA, есть градация из трех уровней. Первый уровень (ECBA): человек знает определения и ориентируется в терминологии. Для второго уровня (CCBA) требуется выбирать наилучшую тактику поведения, то есть подходящий инструмент, по описанию атомарных ситуаций длиной в 4–5 предложений. На третьем уровне даются описания кейсов длиной в страницу или полторы, исходя из которых нужно принять ряд решений. По каждому кейсу задают дополнительные вопросы.

Зачем сертификат нужен самому аналитику

Если вам пришлют резюме человека без высшего образования, будете ли вы его приглашать на собеседование? Возможно, если у него есть необходимый опыт. Но если мы сейчас посмотрим вакансии, мне кажется, в подавляющем большинстве наличие диплома о высшем образовании будет обязательным.

Сейчас требования к сертификации идут в категории should have как дополнительный плюс. Единственное исключение — если заказчик требует именно сертифицированных специалистов. Один мой знакомый устраивался на работу в банк Великобритании, там в качестве обязательного требования было указано наличие сертификатов по Agile и бизнес-анализу. Там же приводился ряд организаций в области бизнес-анализа, которым этот банк доверял.

На большой энтерпрайз-проект, где нужен solution design, есть смысл раньше других рассмотреть человека, имеющего сертификат по TOGAF. Я не знаю сертификации по reverse engineering и скорее проверял бы знания в этой области во время технического интервью, но если у меня плотный поток кандидатов и нет времени беседовать со всеми, то предпочтение я отдам тем, у кого есть какие-то дополнительные «плюшки».

Еще один пример. Если я хочу взять к себе человека, который будет учить других аналитиков или ставить процессы, выступая в качестве ментора, мне понадобится специалист, практические знания которого подкреплены теорией. Здесь сертификация точно может помочь. Сертификат показывает, что у человека есть теоретический базис, подтверждает, что он умеет учиться и обладает настойчивостью. Но я бы хотел сместить фокус и посмотреть на сертификацию как на стимул для бизнес-аналитика превозмочь собственную лень и заняться профессиональным саморазвитием.

Когда у меня было около 8 лет опыта в сфере бизнес-анализа, я подумал, что уже многое знаю и умею. Но у меня не было никакого подтверждения моих знаний и умений. Я начал искать подходящий социальный институт, сначала смотрел в сторону UML, потом на горизонте появилась IIBA со своими сертификациями. Там я увидел свод знаний, представленный на тот момент книгой толщиной примерно 270 страниц. Читалась эта книга достаточно тяжело. Да и вообще, чтобы учиться чему-то новому, нужно себя заставить.

Сертификация — это морковка, которая висит перед тобой. Пока ты готовишься к сертификации, ты прокачиваешь себя, профессионально растешь. Человек за полчаса до начала сдачи экзамена и человек через полчаса после сдачи экзамена, чем они отличаются? Только наличием заветной бумажки. Но если сравнить человека в начале подготовки и после сертификации, знаний во втором случае будет больше и они будут заметно более структурированными. Кроме того, большинство институтов рекомендует в процессе подготовки использовать новые знания на практике. То есть для того, чтобы понять материал, выполняя нужные в текущем проекте действия, вы про себя проговариваете: «сейчас я занимаюсь выявлением…», «сейчас я занимаюсь управлением…» и т. д.

Больше прочих я уважаю сертификаты, у которых есть срок действия. Ты сертифицировался, и этот сертификат в течение какого-то времени является валидным. Если хочешь его продлить, предоставь доказательства того, что ты продолжаешь профессионально развиваться.

Для того, чтобы ресертифицироваться у IIBA или PMI, нужно набрать continuous development unit — в общей сложности 60 часов. Предположим, 30 часов ты можешь набрать, получив второе высшее образование или проходя любые профильные тренинги. Еще 20 часов — выступая на конференциях или проводя тренинги. 30 часов ты можешь набрать, участвуя, как волонтер в инициативах этой организации. Если ты просто три года работал бизнес-аналитиком на своем проекте/проектах, не учил ничего нового и ни в чем не участвовал, то нужного количества часов ты не наберешь. Это опять-таки стимулирует активно участвовать в жизни профессионального сообщества. Причем для самостоятельного обучения установлена верхняя граница, то есть нельзя все 60 часов получить путем чтения книг, только 20–30.

Как найти на это все время? У тех, кто регулярно работает больше 8 часов в сутки, что-то не так с тайм-менеджментом и эффективностью. Если же они просто фанаты своего дела и занимаются им с таким азартом, то они найдут время пару раз выступить на конференции.

Кто лучше: специалист с большим опытом или сертифицированный аналитик?

Даже при наличии сертификата важен аспект практического опыта. Сможет ли человек, прочитавший несколько толстых книг, гарантированно сделать правильный выбор в рамках реальной ситуации? Практика показывает, что не всегда, поэтому я считаю, что сертификация должна предъявлять требования к опыту работы.

Например, сертифицированным специалистом в области бизнес-анализа на уровне CBAP не может быть человек, который не отработал в рамках этой дисциплины хотя бы 4 года. Ряд институтов, например, IIBA и PMI, требуют наличия опыта работы от претендентов на сертификацию. Они предъявляют довольно конкретные требование к количеству часов. Помимо этого нужно указать свою проектную историю: где и на каких проектах ты работал. К тому же, сертификация от IIBA требует опыта не менее чем в 4 областях знаний, по 900 или больше часов для CBAP.

Рискует ли работодатель, ценящий сертификацию, упустить из виду опытных и талантливых сеньоров без сертификатов? Это зависит от строгости фильтра. Как правило, наличие сертификата — дополнительный плюс кандидату. Но сдача сертификационного экзамена может быть обязательным условием для карьерного роста (junior–middle–senior–lead) внутри компании.

Нужно ли сертифицироваться начинающему специалисту

Организация, пусть и коммерческая, как все вышеперечисленные, может сказать начинающему специалисту: «Смотри, вот гайд — то, что в бизнес-анализе называется body of knowledge, к нему есть дополнительная литература. Мы знаем, что тебе стоит учить». Разве плохо, когда такое утверждение не голословно, поскольку исходит от организации, признанной профессионалами?

Например, начинающий аналитик с большой долей вероятности возьмется за BABOK, но это не лучшая книга для начинающего специалиста. Ему понадобится человек, который в этом тексте хорошо ориентируется. Читать ее самостоятельно может только Middle или Senior. Именно поэтому IIBA практикует подход на стадии группы, когда несколько человек изучают BABOK совместно, обсуждают текст и делятся своим опытом. То есть наполняют теорию, которая там есть, практикой.

Выводы

Гарантирует ли сертификация на 100%, что человек подойдет под конкретный проект? Не дает и не может дать. Она служит только как дополнительный фильтр, позволяющий снизить риски работодателя. Для специалиста, который к ней готовится, это как минимум попытка структурировать знания, а также дополнительная «лычка», обеспечивающая большую узнаваемость на рынке труда.

Все оценки субъективны и формальны. Именно наличие признанного сообществом института позволяет снизить риски, связанные с их субъективностью и формальностью. То есть и для работодателя, и для сотрудника сертификация — способ снизить риски и повысить шансы на оправдание обоюдных ожиданий.