Clever Geek Handbook

产品分析师应归于谁？



第1部分





在过去的几个月中，我一直在进行一个名为“退出我在快速消费品行业的市场分析师的职位，并获得IT产品分析师的职位”的任务。我想分享我的经验，并将这段时间从各种来源收集的信息系统化。为了避免毫无根据，谈论产品分析师应具备的技能，我将首先回顾有关hh.ru职位空缺的求职者要求的公开信息。



我已解析了在2020年10月28日发布在headhunter.ru网站上的职位空缺数据，以请求“分析师”和“产品分析师”。完整的笔记本和数据链接在此处发布。



在谈论我的结论之前，我将对分析的细节进行一些讨论。 



我从职位描述的“关键技能”部分中获取了特定空缺所需的必要条件清单。并非所有的HR都以高质量的方式填写此字段：有些已将其密封（请注意：“ Phyton”），有些则对正在发生的事情了解甚少犯了一个错误（注意：“ Arrays”，“ Medical equipment”），有人没有开始填写此部分。但是，从不同专业的要求存在明显差异的事实来看，大多数职位空缺均得到了正确填补，至少提到了关键技能。



也许，对于技能（尤其是软技能）的更准确的说明（请注意：“您具有与业务和技术团队进行沟通的良好沟通技巧”），值得强调完整职位描述中的要求并将其分为语义组。



考虑到上述情况，我认为下表中的百分比不是从字面上看作为“需要此技能的专业职位空缺所占的比例”，而是“该技能对于特定专业的优先级”。



总共有1,178个广告可供分析，其中60％以上来自5个专业：分析师，业务分析师，产品分析师，市场分析师和网络分析师。



每个专业所需的技能有何不同？





可以看出每个专业的关键技能是不同的：对于产品分析师来说，技术技能很重要（SQL，Python），对于市场分析师来说，他们经常提到市场营销分析和PowerPoint，对于Web Analytics GA和I.Metrica（这就是为什么我喜欢分析的原因。这样的见解！）。



如果我们继续列出产品分析师的最高技能，那么事实证明，技术技能之后是分析（数据分析，分析思维，分析研究）和统计知识（数学统计，统计分析，a / b测试，数据挖掘）。带有标签云的第一张图片中解释技能频率的完整列表。



没有相关经验，最容易进入哪个专业？





最简单的方法是在专业市场营销分析师和Web分析师的数据分析领域的初级和实习职位上找工作-大约10％的职位空缺愿意雇用没有经验的人。 



通常最期望经验丰富的人员担任产品分析师职位：超过一半的职位空缺正在寻找具有3-6年相关经验的人员。



薪水因专业而异吗？



几乎没有空缺，没有公开的工资信息，只有63个。然而，无法抗拒和不看分配情况。为了进行适当的比较，请考虑入门级薪水的中位数（预期工作经验为“ 1至3年”）。



一个普通的业务分析师可以指望140吨，产品分析师可以指望100吨，而最不愿意支付的是市场营销人员和网络分析师：60吨。营销人员和网络分析师急需学习BPMN或Python，SQL！



在继续第二部分之前，有几篇相关文章：



  1. 分析人员狩猎的分析-对人才的职位空缺，技能和薪水的概述，这些人比我对人力资源知识了解更多。
  2. 有关Yandex中不同年级所需技能的文字。
  3. 有关IT分析师类型的文章（请阅读Drozdov的声音）。




第2部分



第二部分的任务：在一个地方收集可以免费学习数据分析的资源，尤其是产品分析。它主要对初学者和不想在付费课程上花钱的人有用。



顺便说一句，如果您正在考虑付费课程，则可以在这里比较许多学校的形式特征（持续时间，价格，水平）。不幸的是，材料和演示文稿的质量很难客观评估，因此您应该自己寻找评论。



从哪里开始学习Python：



  • 在Yandex.Practicum上学习有关Python和数据分析的基础知识的免费入门课程。


优点：最好的开端很难想像：一切都很简单，清晰，互动。最重要的是，到本课程结束时，您将拥有第一个独立项目，并且对Python的数据分析功能有了大致的了解。

缺点：会有购买余下课程的愿望。



  • 看看关于stepik的课程，例如这一本。


优点：您可以掌握数据类型，循环知识，并了解如何安装Anaconda + Jupiter Notebook自己开始练习。

缺点：非常简短地介绍了numpy和matplotlib库，而熊猫根本没有涉及。



如何开始学习SQL：





优点：适合完全初学者。

缺点：仅这些课程是不够的，需要更多的实践。





每个平台都有其优点和缺点，值得找到您最喜欢的平台。



  • 对于产品分析，通常需要熟悉Clickhouse。


Clickhouse有很好的文档，您可以练习，但是关于实际使用的细微差别的信息很少。例如，karpov.courses上有一个非常有用的网络研讨会，用于计算ClikHouse的保留率。



从哪里开始学习数学：



  • 如果真的很吓人，您可以从可汗学院从头开始。


优点：即使加法或减法，您也可以开始学习数学。

缺点：所有视频都是英文的，加上信息很长，通常您想加快速度。





优点：一切都很简短，而且要立即完成任务。

缺点：就像学校一样，您必须坐下来并做出决定！



  • 理论教科书。信仰和垫子。V.E.的雕像 Gmurman，S.Glantz。


优点：这里的内容比上一段中的内容要冗长一些，但更详细。

缺点：就像研究所一样，您必须坐下来并做出决定！





优点：讲师讲解清楚，评论中有实践和讨论。 

缺点：有些要点大大简化了，有些还需要进一步弄清楚。但这是所有MEP和自我教育的缺点。 



在哪里获得数据分析和ML的经验：



  • — Python CSC, Open Machine Learning Course ODS .

    : , , .

    : ( ), .
  • , . - DA DS , , , — , , CSC .
  • ML ML . .




:



  • .


即使您不打算成为算法专家和其他侏儒，来自MIPT的关于Python中的算法和数据结构 的前几节讲座也很有趣，它们都是关于Python世界如何工作的。显而易见，为什么您不能通过stepik的练习解决该问题。



  • 可视化（Tableau，Power BI，Y.Datalens，破折号）。


I Tableau具有免费的公共访问权限，您可以在这里免费学习构建仪表板的信息。 仅出于详细培训资料的目的，参加Tableau或Datalens的马拉松比赛可能会非常有用。如果您要使事情变得复杂，请处理dash。



  • 实践练习实践。


在kaggle上为您的投资组合选择一个有趣的项目，其中有各种口味的数据集：从蘑菇的分类到葡萄酒的评论和自杀统计数据。对于每个数据集，都有笔记本示例和讨论！

而且如果kaggle还不够，请从您感兴趣的区域收集数据以供您自己分析-这是本文第一部分中简单站点解析的示例。



基本建议：



  • 为了不因任务繁多而感到困惑和动机，不妨列出每个项目的优先级。对我而言，在Google云端硬盘上维护表格非常方便。 
  • 对您自己的知识的一个很好的测试将是阅读理论并解决某个资源上某个主题的问题，然后立即尝试解决来自同一主题的相邻站点的问题。这样，可以发现差距并补充知识。
  • 选择您喜欢的社交网络中的分析性公众/帐户：您将了解新闻，并且总会有一些东西可以滚动到一杯茶上。
  • 请记住，当您最终找到理想的工作时，这不是旅程的终点​​，而是起点！因此，在此过程中需要暂停和质量休息。


More articles:


All Articles