Kas iš tikrųjų yra data analitikas ir kodėl visi nori šio titulo
Pastaruosius kelerius metus Lietuvos darbo rinkoje vienas iš labiausiai minimų specialistų – data analitikas. LinkedIn pilna šių pozicijų, bootcamp’ai žada per 6 mėnesius paversti tave duomenų guru, o įmonės kelia atlyginimus, kad pritrauktų bent kiek patyrusių žmonių. Bet kas tai iš tikrųjų reiškia kasdienėje praktikoje?
Data analitikas – tai žmogus, kuris paima neapdorotus duomenis ir iš jų ištraukia prasmę. Skamba paprastai, bet realybė yra tokia, kad 60–70% darbo laiko išeina ne analizei, o duomenų valymui, transformavimui ir bandymui suprasti, kodėl vienoje lentelėje yra 50 000 eilučių, o kitoje – 49 998. Tai nėra glamūrinis darbas, kurį rodo reklaminiai vaizdo įrašai su gražiomis spalvingomis diagramomis.
Lietuvoje ši pozicija dar nėra visiškai standartizuota. Skirtingose įmonėse data analitikas gali reikšti labai skirtingus dalykus – vienur tai bus žmogus, kuris kuria Power BI ataskaitas vadovams, kitur – specialistas, rašantis sudėtingus SQL užklausas ir dirbantis su milijonais įrašų, dar kitur – kažkas tarp verslo analitiko ir duomenų inžinieriaus. Todėl prieš eidamas į pokalbį, visada verta atidžiai perskaityti pareigybės aprašymą ir suprasti, ko konkrečiai ta įmonė tikisi.
Techniniai įgūdžiai, kurių tikrai reikia (ir kurie tik atrodo, kad reikia)
Kalbant apie techninius įgūdžius, čia yra vienas didelis mitas – kad reikia mokėti absoliučiai viską. Iš tikrųjų yra branduolys, be kurio sunku, ir yra dalykų, kuriuos galima išmokti darbo vietoje.
SQL – tai tikrai ne pasirinkimas, o būtinybė. Jei nori dirbti su duomenimis, SQL turi būti kaip antra kalba. Ir ne tik baziniai SELECT/WHERE/GROUP BY, bet ir window funkcijos, subquery’ai, CTE (Common Table Expressions). Lietuvos įmonės, ypač fintech sektoriuje, tikisi gana aukšto SQL lygio net ir iš pradedančiųjų.
Python arba R – čia jau priklauso nuo konteksto. Python šiuo metu yra dominuojantis pasirinkimas, ypač jei planuoji augti link duomenų mokslo. Pandas, NumPy, Matplotlib – tai bazinis rinkinys. R vis dar naudojamas, ypač akademinėje aplinkoje ar statistinės analizės pozicijose, bet darbo rinkoje Python laimi.
Vizualizacijos įrankiai – Tableau, Power BI, Looker. Čia Lietuva turi savo specifiką: daug vietos įmonių naudoja Power BI, nes Microsoft ekosistema yra plačiai paplitusi. Tarptautinės įmonės dažniau naudoja Tableau arba Looker. Verta mokėti bent vieną iš jų gerai, o ne visus paviršutiniškai.
Kas tikrai nėra būtina nuo pirmos dienos: gilūs mašininio mokymosi algoritmų žinios, Spark, Hadoop ar kiti big data įrankiai. Tai gali prireikti vėliau, bet pradedančiajam tai nėra kritinis reikalavimas. Dauguma Lietuvos įmonių dirba su duomenų kiekiais, kurie puikiai telpa į standartinę duomenų bazę ir nereikalauja distributuotų skaičiavimų.
Kaip atrodo darbo rinka Lietuvoje: skaičiai ir realybė
Vilnius ir Kaunas – tai du pagrindiniai centrai, kur koncentruojasi data analitiko pozicijos. Klaipėda atsilieka, nors ir ten galima rasti pozicijų, ypač logistikos ar gamybos sektoriuje.
Atlyginimų diapazonas 2024 metais atrodo maždaug taip:
- Pradedantysis (0–2 metai patirties): 1 500–2 500 EUR neto
- Vidutinis lygis (2–5 metai): 2 500–3 800 EUR neto
- Vyresnysis specialistas (5+ metai): 3 800–5 500+ EUR neto
Šie skaičiai gali labai skirtis priklausomai nuo sektoriaus. Fintech įmonės – Revolut, Kevin., Paysera, Nexpay – moka gerokai daugiau nei tradicinės Lietuvos įmonės. Tarptautinės korporacijos su biurais Vilniuje taip pat siūlo konkurencingesnius atlyginimus. Tuo tarpu valstybinis sektorius ar tradicinis mažmeninė prekyba – čia atlyginimų lubos yra žemesnės, bet darbas gali būti stabilesnis ir mažiau intensyvus.
Svarbu paminėti ir nuotolinį darbą. Po 2020 metų daug pozicijų tapo hibridinės arba visiškai nuotolinės. Tai reiškia, kad Lietuvos data analitikas gali dirbti užsienio įmonei ir gauti atlyginimą, kuris neatitinka vietinės rinkos standartų – ir tai tikrai vyksta. Tokiu atveju atlyginimų viršutinė riba praktiškai neegzistuoja.
Kur mokytis ir kaip sudėlioti mokymosi kelią
Čia yra didelis klausimas, nes pasirinkimų yra daug, o pinigai ir laikas – riboti. Pabandysiu sudėlioti tai kiek įmanoma praktiškai.
Universitetinis kelias: VU, KTU, VGTU turi studijų programas, susijusias su duomenų analize, statistika, informatika. Tai suteikia tvirtą teorinį pagrindą, bet praktinių įgūdžių dažnai trūksta. Jei esi studentas – papildyk studijas savarankiškais projektais ir internshipais. Diplomas vis dar turi vertę Lietuvos rinkoje, ypač didesnėse korporacijose.
Bootcamp’ai ir kursai: Lietuvoje veikia keletas mokymosi platformų – Turing College yra vienas žinomiausių, orientuotų į duomenų mokslą. Taip pat CodeAcademy (ne painioti su Codecademy.com), Baltic Amadeus akademija. Tarptautiniu lygiu – Coursera, DataCamp, Udemy. Svarbu: bootcamp’as negarantuoja darbo. Tai tik pagreitintas mokymosi kelias, bet be savarankiškų projektų ir portfolio – sunku.
Savarankiškas mokymasis: Tai veikia, bet reikia disciplinos. Rekomenduojamas kelias:
- Pradėk nuo SQL – Mode Analytics SQL Tutorial arba SQLZoo yra geri nemokamų resursų šaltiniai
- Python pagrindai – Python for Everybody Coursera platformoje
- Duomenų analizė su Pandas – Kaggle kursai yra nemokamų ir labai praktiški
- Vizualizacija – pasirink vieną įrankį ir gilinkis
- Sukurk 2–3 projektus su realiais duomenimis ir įkelk į GitHub
Portfolio yra kritiškai svarbus. Lietuvos darbdaviai vis dažniau prašo parodyti realius projektus, o ne tik sertifikatus. Kaggle konkursai, atviri duomenų rinkiniai iš data.gov.lt ar Eurostat – tai puiki medžiaga projektams.
Sektoriai, kuriuose data analitikai Lietuvoje labiausiai reikalingi
Fintech ir finansai – tai neabejotinai karščiausias sektorius. Vilnius tapo vienu iš Europos fintech centrų, ir duomenų analitikai čia yra labai paklausūs. Darbas intensyvus, reikalavimai aukšti, bet ir atlyginimai atitinkamai.
E-komercija ir retail – Pigu.lt, Barbora, Maxima grupė, Rimi – visos šios įmonės naudoja duomenų analizę kainų optimizavimui, klientų segmentavimui, tiekimo grandinės valdymui. Čia darbas gali būti mažiau techniškai intensyvus, bet labai orientuotas į verslo rezultatus.
Telekomunikacijos – Telia, Tele2, Bite turi duomenų analitikų komandas. Čia dažnai dirbama su dideliais klientų duomenų rinkiniais, churn analize, tinklo optimizavimu.
Gamyba ir logistika – šis sektorius Lietuvoje yra pakankamai didelis, bet duomenų kultūra čia dar formuojasi. Galimybės yra, bet reikia kantrybės – kartais teks pačiam įtikinti vadovybę, kad duomenų analizė apskritai reikalinga.
Startuoliai – rizikingiau, bet galima labai greitai augti ir išmokti daug. Mažoje komandoje data analitikas dažnai atlieka ir inžinieriaus, ir analitiko, ir kartais net produkto vadovo funkcijas. Tai gali būti puiki mokykla, jei nori plačios patirties.
Karjeros augimas: kur galima nueiti po kelių metų
Vienas iš data analitiko privalumų – tai nėra aklavietė. Iš šios pozicijos galima augti keliomis kryptimis, ir tai yra tikrai realu Lietuvos rinkoje.
Duomenų mokslininkas (Data Scientist) – natūrali evoliucija tiems, kurie nori gilintis į mašininį mokymąsi ir prognozavimo modelius. Reikia papildomų statistikos ir ML žinių, bet pagrindas jau yra.
Duomenų inžinierius (Data Engineer) – jei labiau traukia techninė pusė: duomenų vamzdynų kūrimas, ETL procesai, duomenų sandėliai. Čia reikia gilesnių programavimo žinių, bet atlyginimai yra vieni aukščiausių IT sektoriuje.
Verslo analitikas arba produkto analitikas – jei labiau traukia verslo pusė nei techninė. Čia mažiau kodo, daugiau komunikacijos su suinteresuotomis šalimis, strateginių sprendimų analizė.
Analitikos vadovas – po 5–7 metų patirties galima eiti vadovauti analitikos komandai. Tai reiškia mažiau rankų darbo su duomenimis, daugiau žmonių valdymo ir strategijos.
Praktinis patarimas: jau nuo pirmų darbo metų galvok, kuria kryptimi nori augti. Tai padės kryptingai rinktis projektus, mokymosi temas ir netgi darbdavius. Žmogus, kuris po 3 metų vis dar nežino, kur nori eiti, dažnai stovi vietoje.
Dažniausios klaidos, kurias daro pradedantieji
Dirbant su žmonėmis, kurie bando įsitvirtinti šioje srityje, pastebima keletas pasikartojančių klaidų.
Per daug mokymosi, per mažai praktikos. Tai turbūt pati dažniausia problema. Žmogus baigia vieną kursą, tada kitą, tada dar vieną – ir po metų turi 10 sertifikatų, bet nė vieno realaus projekto. Darbdaviai nori matyti, ką tu galėjai padaryti, o ne ką tu žinojai teoriškai.
Ignoruojamas minkštųjų įgūdžių aspektas. Data analitikas ne tik analizuoja duomenis – jis turi sugebėti paaiškinti rezultatus žmonėms, kurie nesupras techninių detalių. Gebėjimas pasakoti istorijas su duomenimis (data storytelling) yra labai vertinamas ir labai retai ugdomas.
CV per daug techninis. Matoma daug CV, kur išvardyti visi įmanomi įrankiai ir technologijos, bet nėra nė vieno konkretaus pasiekimo. Vietoj „naudojau Python ir SQL” rašyk „sukūriau automatizuotą ataskaitų sistemą, kuri sutaupė 5 valandas per savaitę”.
Nekreipiamas dėmesys į domeną. Duomenų analizė be verslo konteksto yra bevertė. Jei dirbi e-komercijoje, suprask, kaip veikia konversijų funnel’is. Jei dirbi finansuose, suprask pagrindinius finansinius rodiklius. Domeno žinios skiria gerą analitiką nuo puikaus.
Bijoma klausti ir komunikuoti. Ypač Lietuvoje, kur kultūra linkusi į introvesiją, pastebima, kad analitikai dažnai dirba su neteisingais prielaidomis, nes bijo paklausti. Geriau paklausti „kvailą” klausimą iš pradžių, nei po savaitės pristatyti neteisingą analizę.
Kai duomenys tampa gyvenimo būdu: ką reiškia augti šioje srityje ilgalaikėje perspektyvoje
Data analitiko karjera Lietuvoje yra tikrai perspektyvi – tai ne marketingo frazė, o realybė, kurią patvirtina darbo rinkos tendencijos. Įmonės vis labiau supranta, kad sprendimai, pagrįsti duomenimis, duoda geresnius rezultatus nei intuicija ar tradicija. Ir šis supratimas Lietuvoje auga, nors ir lėčiau nei Skandinavijoje ar Vakarų Europoje.
Tačiau svarbu suprasti, kad tai nėra lengvas kelias į aukštą atlyginimą. Tai sritis, kuri reikalauja nuolatinio mokymosi – technologijos keičiasi greitai, nauji įrankiai atsiranda nuolat, ir žmogus, kuris nustoja mokytis, greitai atsilieka. dbt, Snowflake, Apache Airflow – prieš penkerius metus šie įrankiai buvo nišiniai, dabar jie tampa standartu.
Jei galvoji apie šią karjerą, pradėk nuo konkrečių žingsnių: įdiek PostgreSQL, išmok SQL pagrindus per 30 dienų, tada paimk vieną realų duomenų rinkinį ir pabandyk atsakyti į 5 verslo klausimus. Tai daugiau duos nei bet koks teorinis kursas. Lietuvos duomenų bendruomenė taip pat auga – Data Saturday Vilnius, įvairūs meetup’ai, LinkedIn grupės – tai vietos, kur galima susipažinti su žmonėmis iš srities, gauti grįžtamąjį ryšį ir sužinoti, ko tikrai ieško darbdaviai.
Galiausiai – tai sritis, kur smalsumas yra svarbiausia savybė. Ne SQL žinios, ne Python, o gebėjimas pamatyti duomenyse klausimą ir nenustoti, kol nerasite atsakymo. Jei tau įdomu, kodėl tam tikras produktas parduodamas geriau pirmadieniais, kodėl klientai išeina po trečio mėnesio ar kaip optimizuoti reklamos biudžetą – tai geras ženklas, kad esi tinkamoje vietoje.
