Професія дата-аналітика стає все більш популярною, з’являються цілі школи та окремі курси, які навчають цього фаху. Тому ми хочемо зі свого боку розповісти, що робить дата-аналітик в рекламному агентстві — які навички потрібні для роботи, з якими щоденними задачами стикається та навіщо взагалі дата-аналітику програмування.

Хто такий Data Analyst

Дата-аналітик — це фахівець із роботи з даними; людина, яка вміє збирати інформацію, опрацьовувати її та робити із цього висновки. 

Які навички потрібні Data Analyst

Найперша компетенція аналітика — це, власне, аналітика. Базове розуміння статистики, вміння бачити зв’язки там, де вони є та виключати помилкові судження там, де їх не повинно бути. Це не софт-скіли, це цілком предметні навички, які можна здобути та прокачувати.

Зазвичай в digital йдеться про збір інформації з інших платформ, вигрузку даних деінде в інтернеті, тому робота тісно пов’язана із проргамуванням. Базово потрібно вивчити Python та SQL, але список може розширюватись, залежно від специфіки роботи.

Що робить Data Analyst в newage. 

Рекламне агентство newage. постійно працює із великими даними, які людина фізично нездатна осягнути й опрацювати. Тому ми використовуємо дашборди, які перетворюють таблицю на сотні тисяч строк у простий та зрозумілий звіт. Цей звіт називається дашборд, за 2023 рік ми підготували понад 100 таких для клієнтів, і саме дашбордами присвячені будні наших дата-аналітиків.

Раніше ми описали, навіщо потрібен дашборд для digital та як з ним працювати

Якщо для клієнта чи трафік-менеджера дашборд — це гарна картинка із великими яскравими цифрами, то для дата-аналітика все дещо складніше.

Отже, на боці аналітика дашборд — це середовище розробки.

Отже, на боці аналітика дашборд — це середовище розробки, де він пише код, аби потрібну інформацію отримати. На цьому конкретно прикладі фахівець дає команду записати дані із джерела до нашого сховища даних у Big Query.

“Якщо точніше, то це функція, яка на вхід приймає три параметри (датасет, датафрейм і таблицю) і методом write_truncate переписує їх у сховище даних”, 

Ярослав, data analyst newage. 

Загалом концепція того, як формується дашборд, називається ETL — акронім від Extract, Transform, Load. Тобто йдеться про три етапи:

1. Extract — отримання даних із зовнішніх джерел.
2. Transform — перетворення їх на придатні для подальшої роботи (аналізу чи зберігання)
3. Load — вивантаження в інші, кінцеві системи (зокрема для візуалізації)

За роки роботи ми створили певні шаблони й готові рішення, частково автоматизували роботу, але задля розуміння процесу розглянемо детальніше кожен із етапів.

Крок 1 — Extract

На першому етапі ми вивантажуємо дані із різних зовнішніх джерел:

• Google Ads:
• Campaign Manager 360:
• Meta Ads:
• Google Analytics тощо.

Підготовка

Щоби розуміти, як дістати дані із певного джерела, на початковому етапі слід ознайомитись із документацією цього інструмента. Це як величезна енциклопедія із роботи з джерелом, тут описано як взаємодіяти з системою, які є методи отримання даних, які дані можна отримати тощо.

На скріншоті нижче — приклад документації Google Ads. 

Читання документації важливе, без цього немає сенсу рухатись далі. Бо дашборд — це не стіл з ікеї, який так-сяк можна інтуїтивно зібрати без інструкції; дата-аналітика потребує точності й знання інструкцій.

Навіть досвідчені спеціалісти регулярно звертаються до документації, аби краще розуміти інструмент та встежити за всіма оновленнями. 

Звернення

Наступний етап — написати правильно код, аби звернутись до потрібного інструмента. Тут треба визначити до чого ми будемо звертатися і згенерувати відповідний файлу доступу, аби встановити з’єднання з інструментом.

На скріншоті нижче — приклад того, як утворюється з’єднання.

Отримання даних 

І от ми вже розібрались з інструментом, встановили із ним зв’язки, і тепер вже час писати код для отримання даних. Тут дата-аналітик командує інструменту видати конкретні дані із конкретного джерела. До прикладу, прописавши функцію нижче ми отримаємо бюджет кампанії із Google Ads (загальний і по дням).

Крок 2 — Transform

Це важливий етап, на якому довжелезна простиня тексту перетворюється в щось зрозуміле та структуроване.

Перетворення 

Отримавши дані із різних джерел, їх треба трансформувати таким чином, аби далі з цим можна було працювати. І на цьому етапі до навичок програмування доєднується, власне, аналітика. Про що йдеться.

1. Видалення помилок та дублікатів.
2. Заповнення пустих значень
3. Додавання нових полів
4. Зміна типів данних (бо тип важливий для кінцевого сховища)
5. Агрегація та об’єднання. 

Зберігання 

Коли дані стають структурованими “причесаними”, їх пора заливати до сховища. Ми використовуємо Big Query. Тож тут лежать різноманітні датасети — “контейнери”, в яких зберігаються таблиці. До прикладу так виглядає контейнер з даними про Facebook. Навіть в рамаках одної кампанії одного рекламодавця накопичується багато інформації про взаємодію з аудиторією, бачимо тут окремі таблиці привсячені показами, охопленням, клікам, витратами, частоті тощо.

І для отримання кожної з цих таблиць дата-аналітик окремо збирав та трансформував дані, бо записати в сховище неструктуровані дані ми не можемо.

Взаємодія

Далі аналітик може звертатись до зібраних у сховище даних та опрацьовувати їх. Наприклад, за допомогою коду нижче можна зібрати конверсії, які зафіксували різні рекламні системи, та об’єднати їх.

І після такого об’єднання дані також записуються в сховище і йдуть на кінцевий дашборд.

Крок 3 — Load

Коли дані вже в ідеальному стані, без помилок, зрозумілі та структуровані, ми “згодовуємо” їх для візуалізації іншому сервісу Google — Looker, і на виході отримуємо яскравий інтерактивний документ із всіма важливими показниками.

Крок 4 — Пошук помилок

Це невід’ємна частина роботи, яким би старанним та уважним не був фахівець. Значну частину дня дата-аналітики (як і інші програмісти) вичитують власний код, аби зрозуміти, де щось зламалось, чому немає частини даних.

Коду багато, це все треба підтримувати й покращувати, тому будьте готові до полювання на баги та розуміння, що не все і не завжди працює ідеально.

Висновок

1. Професія дата-аналітика дійсно є популярною, чим більше оцифровується світ, тим більше потрібно людей, які можуть ці цифри зрозуміти й пояснити.
2. Для роботи дата-аналітиком потрібна низка hard skills, зокрема вміння програмувати на мові Python (більше мов — краще) та аналітичні навички. 
3. В newage. аналітики здебільшого працюють із дашбордами для звітування клієнтам і рблять це за алгоритмом ETL (Extract, Transform, Load).
4. Окремою складовою в роботі дата-аналітика, як і будь-якого програміста, є пошук помилок для покрашення коду; що є великим викликом, коли йдеться про тисячі строк.