Przejdź do głównej zawartości

Chcesz zostać Analitykiem Danych? Oto lista kluczowych umiejętności!

 


Obraz StockSnap z Pixabay

    Zgodnie z tym, co zapowiedziałam ostatnio, dokonałam przeglądu ofert pracy dotyczących stanowiska Młodszego Analityka Danych – zarówno tych aktualnych, jak i tych, na które rekrutacja dopiero co się zakończyła. Dało mi to pewien obraz zestawu umiejętności wymaganych przez pracodawców.

Jak analizowałam oferty?

    Sprawdziłam, które cechy pojawiają się najczęściej, uszeregowałam je od najistotniejszych do tych, które pojawiały się rzadziej. Podzieliłam te cechy na kompetencje miękkie i twarde. Na blogu będę dzielić się swoimi postępami w zakresie szlifowania kompetencji twardych, ale dla pełnego obrazu zaprezentuję obie grupy umiejętności.

    Zdaję sobie sprawę, że ta lista nie oddaje w pełni realiów – bazuje na ofertach, na które miałam okazję się natknąć. Mimo to traktuję ją jako dobry punkt wyjścia. W miarę zdobywania nowych informacji mogę ją modyfikować. Zależy mi na efektywności i wykładniczym postępie, dlatego musiałam na czymś oprzeć swoje priorytety. Wszystko wyjdzie w praniu – to po części mój eksperyment.

Ranking umiejętności – wynik analizy ofert

Kompetencje twarde (techniczne)

⦿ Zaawansowana znajomość MS Excel (tabele przestawne, funkcje SUMIFS, INDEX/MATCH, makra, VBA)
⦿ Znajomość SQL (operacje na bazach danych, zapytania SELECT, JOIN, GROUP BY)
⦿ Znajomość języka angielskiego (min. B1/B2, często wymagana bardzo dobra znajomość)
⦿ Znajomość narzędzi BI (Power BI, Tableau, Google Data Studio)
⦿ Podstawy statystyki, ekonometrii, analizy danych
⦿ Języki programowania: Python / R (przydatne do analizy, automatyzacji, ML)
⦿ Doświadczenie w analizie danych, Business Intelligence lub pokrewnych obszarach (mile widziane 2-3 lata)
⦿ Wykształcenie wyższe (matematyka, informatyka, ekonomia, analiza danych, statystyka)
⦿ Znajomość relacyjnych baz danych i technologii Big Data (Databricks, PySpark, chmura: Azure, AWS, Google Cloud)
⦿ Podstawowa znajomość programowania obiektowego i dobrych praktyk kodowania

Kompetencje miękkie

⦿ Zdolności analityczne i umiejętność interpretacji danych
⦿ Dokładność i dbałość o szczegóły
⦿ Komunikatywność i umiejętność prezentacji wyników analizy w sposób zrozumiały dla biznesu
⦿ Umiejętność pracy w zespole i w środowisku międzynarodowym
⦿ Samodzielność, proaktywność i chęć nauki nowych technologii
⦿ Dobra organizacja pracy, umiejętność priorytetyzowania zadań
⦿ Otwartość na pracę w zwinnych metodykach (Agile, Scrum)

To mój punkt wyjścia – jestem pełna optymizmu i wiary we własne możliwości!

Komentarze

Prześlij komentarz

Popularne posty z tego bloga

Statystyka praktyczna w data science- książka [RECENZJA]

  Idąc za ciosem, postanowiłam dalej pracować nad swoim rozumieniem statystyki. W tym celu sięgnęłam po książkę „Statystyka praktyczna w data science” autorstwa Petera Bruce’a, Andrewa Bruce’a i Petera Gedecka. Czy jestem zawiedziona? Wręcz przeciwnie! 📘 Dlaczego sięgnęłam po tę książkę? Po przeczytaniu „Analityka danych” (o którym pisałam tutaj: Jak polubić statystykę? Książka „Analityk Danych”- idealna na początek! [Recenzja] ) poczułam, że czas na kolejny krok- coś bardziej konkretnego i praktycznego. Chciałam ugruntować podstawy statystyki, ale w sposób zrozumiały, nieprzytłaczający i przydatny z perspektywy osoby, która dopiero wchodzi w świat data science. 💡 Pierwsze wrażenie- bardzo pozytywne! Jestem zadowolona ze swojego wyboru z wielu powodów. Przede wszystkim – za sposób, w jaki ta książka została zaprojektowana. Różne elementy treści zostały wyróżnione: kursywą, pogrubieniem, czcionką o stałej szerokości, a nawet czcionką o stałej szerokości z kursywą . Do tego trzy ...
Prześlij komentarz
Czytaj więcej

Certyfikat DataCamp: Python Data Associate- jak się do niego przygotowuję?

  Minęło już sporo czasu, odkąd zaczęłam uczyć się na platformie DataCamp. Większość materiałów, które przerabiałam, dotyczyła Pythona (choć trochę zahaczyłam też o inne tematy). Może się wydawać, że po tak długim czasie powinnam już być mistrzynią, ale prawda jest taka, że między dwoma intensywnymi okresami nauki minęło wystarczająco dużo czasu, żebym zaczęła się zastanawiać… czy ja w ogóle jeszcze coś pamiętam? Praktyka jest ważna - a ja trochę o tym zapomniałam. Potem przyszedł moment intensywnych powtórek, od zupełnych podstaw. Chciałam mieć pewność, że nic mi nie umknęło i że nie przeskoczyłam czegoś istotnego. To wtedy postanowiłam, że tym razem nie odpuszczę, nawet jeśli życie znowu postanowi trochę namieszać (a potrafi). Ustaliłam sobie konkretny cel, zaczęłam działać i regularnie wracać do materiału. Podsumowanie nauki Dla mnie fajnym podsumowaniem tej nauki są różnego rodzaju certyfikaty. Nie tyle dla CV, co po prostu dla siebie - żeby się podbudować i mieć poczucie, że ...
Prześlij komentarz
Czytaj więcej

Jak polubić statystykę? Książka „Analityk Danych”- idealna na początek! [Recenzja]

  Dlaczego warto przeczytać ten wpis?      Temat projektów przekładam na kolejny wpis. Muszę się czymś podzielić. Dwa tygodnie temu zakupiłam w Empiku książkę pod tytułem „Analityk Danych” autorstwa Alexa J. Gutmana i Jordana Goldmeiera. Ta pozycja jest REWELACYJNA (pomimo, że dotyczy statystyki w data science). To moja druga książka o statystyce w życiu i muszę przyznać, że tę pierwszą biorę sobie do czytania, gdy nie mogę zasnąć. Sprawdza się doskonale. Natomiast od tej nie mogę się odkleić, co jest naprawdę dziwne, bo jest o statystyce, za którą naprawdę kiedyś nie przepadałam. Teraz jednak dochodzę do wniosku, że to nie była kwestia samej statystyki, bo daleko jej do nudy. To była kwestia sposobu przekazywania mi tych treści. Ta sama historia, co z Excelem. Co sprawia, że ta książka jest tak dobra?      Jeśli chodzi o treść książki, to pierwsze, co nasuwa mi się na myśl to jest bardzo zwięzły i zgrabny sposób składania zdań. Warto tutaj wspomni...
Prześlij komentarz
Czytaj więcej