Ścieżki rozwoju analityka: zarządzanie, data science czy biznes?

SQL już działa, raporty powstają, ktoś pyta Cię o zdanie przed spotkaniem. I nagle pojawia się pytanie: co dalej? Jeszcze bardziej skomplikowany dashboard? Zarządzanie ludźmi? Python i modele? A może bliżej biznesu, gdzie podejmuje się decyzje, które potem trzeba jakoś policzyć?

Ja patrzę na ten wybór przez zwykły tydzień pracy. Tytuł na LinkedIn zajmuje jedną linijkę. Obowiązki zajmą Ci znacznie więcej czasu. Warto sprawdzić, czy interesuje Cię także ta część stanowiska, której raczej nie pokazuje się na konferencji: poprawianie założeń, wyjaśnianie opóźnień, trudna rozmowa albo kolejny eksperyment bez poprawy wyniku.

Porównam trzy kierunki: prowadzenie zespołu, data science i rozwój w stronę eksperta biznesowego. To wybrane możliwości, nie pełny katalog zawodów. Wszystkie sytuacje projektowe i liczby poniżej są przykładami syntetycznymi. Nie opisują klientów KajoData ani wyników badania rynku pracy.

Zacznij od odpowiedzialności, którą chcesz wziąć

Zanim wybiorę kierunek, rozdzielam dwa pytania. Pierwsze: w czym chcę być bardziej samodzielny? Drugie: jaki rodzaj pracy chcę wykonywać? Możesz być bardzo doświadczonym analitykiem i początkującym managerem. Możesz świetnie rozumieć sprzedaż, a potrzebować pomocy przy ocenie modelu. Doświadczenie pomaga, ale nie załatwia całego przejścia jednym ruchem.

Przydaje się tu mapa ról i odpowiedzialności analityka. Pokazuję w niej również reporting, analytics engineering i architekturę. Jeśli najbardziej lubisz poprawiać jakość wspólnych modeli danych, nie musisz wciskać swoich zainteresowań w jedną z trzech szuflad tego artykułu. Rozwój techniczny ma więcej adresów niż data science.

Nie zakładam też, że pozostanie w analizie oznacza stanie w miejscu. Możesz brać trudniejsze problemy, projektować lepsze pomiary, pomagać innym i odpowiadać za większy obszar. Pytanie brzmi, czy obecne otoczenie pozwala Ci poszerzać tę odpowiedzialność. Jeżeli przez kolejny rok dostajesz wyłącznie kosmetyczne poprawki raportów, problemem może być zakres stanowiska, a nie cały zawód.

Na kartce zapisuję trzy rzeczy: co umiem już pokazać, czego chcę się nauczyć i z czego jestem gotów zrezygnować. Ostatni punkt bywa najbardziej pouczający. Zarządzanie może ograniczyć czas na własne analizy. Modelowanie wymaga cierpliwości do metod i błędów. Praca blisko biznesu oznacza rozmowy, w których cel trzeba dopiero uzgodnić.

Zarządzanie: wynik powstaje także przez pracę innych

W tym tekście manager oznacza osobę prowadzącą zespół analityczny. Sam napis „lead” w ogłoszeniu nie rozstrzyga, czy chodzi o zarządzanie ludźmi, prowadzenie projektu czy autorytet techniczny. Zawsze sprawdzam, kto ustala priorytety, kto ocenia pracowników i kto ma prawo zmienić zakres zobowiązań zespołu.

Przykładowo brytyjski opis principal data analyst obejmuje prowadzenie zespołów lub znaczących obszarów pracy oraz standardy i procesy. To punkt odniesienia z konkretnej administracji, a nie uniwersalny opis polskiego stanowiska. Już sama alternatywa „zespół lub obszar” pokazuje, dlaczego trzeba czytać obowiązki.

W praktycznej próbie tej ścieżki interesuje mnie sytuacja, w której kilka osób potrzebuje sensownej kolejności działania. Dwa działy chcą pilnego raportu, jedna osoba dopiero poznaje dane, a zależność od innego zespołu przesuwa termin. Twoim zadaniem staje się uzgodnienie, co powstanie najpierw, czego nie zrobicie teraz i jak wcześnie powiedzieć o ryzyku.

Pułapka polega na tym, że dobry analityk potrafi sam szybko naprawić wiele rzeczy. Tylko że przejmowanie każdej trudnej części zadania utrudnia ocenę, czy umiesz przygotować warunki do pracy innych. Ja sprawdziłbym, czy potrafisz wyjaśnić oczekiwany rezultat, umówić kontrolę pośrednią i zostawić drugiej osobie przestrzeń na własne rozwiązanie.

Do tego dochodzi informacja zwrotna. „Popraw raport” niewiele mówi. „Po połączeniu tabel liczba zamówień wzrosła, sprawdź relację i pokaż kontrolę przed agregacją” daje konkretny kierunek. Przy zarządzaniu potrzebujesz też uważności na obciążenie ludzi i na to, czego nie powiedzą na dużym spotkaniu. Własny arkusz nie zgłosi problemu z poczuciem sprawiedliwości w zespole.

Koszt zmiany zobaczysz w kalendarzu. Jeśli lubisz długie bloki skupienia, sprawdź, ile takich bloków zostaje w danej roli. Jeżeli prowadzenie rozmów daje Ci satysfakcję dopiero wtedy, gdy wszyscy się zgadzają, poćwicz również omawianie rozbieżności. To rozsądniejszy test niż pytanie, czy jesteś introwertykiem, czy ekstrawertykiem.

Mały projekt ma jednak granice. Koordynacja zadań nie daje doświadczenia w ocenianiu pracowników, wspieraniu osoby z długotrwałym problemem ani podejmowaniu decyzji kadrowych. Zapisałbym to wprost w wyniku próby. Udana współpraca może być argumentem za dalszym poznawaniem zarządzania, ale nie dowodzi jeszcze, że sprawdziłeś cały zawód. Przy kolejnej rozmowie z managerem wróć właśnie do tych obowiązków, których sam nie mogłeś przećwiczyć.

Data science: ciekawość trzeba połączyć z oceną wyniku

Data science interesuje mnie jako kierunek dla osoby, która chce głębiej pracować z metodą, niepewnością i modelami. Government Digital and Data łączy w opisie tej roli matematykę, statystykę, programowanie i komunikację. Samo uruchomienie biblioteki pokrywa mały fragment takiego warsztatu.

Znajomość danych i SQL-a daje przydatny punkt startu. Nadal trzeba nauczyć się definiować problem modelowania, dobierać porównanie i sprawdzać błędy. W projekcie przewidywania opóźnień pytam najpierw: w którym momencie ma powstać prognoza? Przy złożeniu zamówienia, przy pakowaniu czy po przekazaniu przesyłki? Każda odpowiedź zmienia dostępne informacje i sens wyniku.

Dokumentacja scikit-learn o wycieku informacji wyjaśnia ryzyko używania danych niedostępnych w momencie predykcji. W naszym przykładzie faktyczna data doręczenia nie może pomagać w przewidywaniu opóźnienia przy zakupie. Wynik może wtedy wyglądać świetnie, choć rozwiązanie nie nadaje się do planowanego użycia.

Chcę też zobaczyć proste porównanie. Dokumentacja dummy estimators opisuje modele bazowe do oceny, czy bardziej złożona metoda wnosi poprawę. Dla własnego projektu ustalam podobny punkt odniesienia przed dokładaniem kolejnych technik. Inaczej łatwo pomylić skomplikowanie rozwiązania z jego użytecznością.

Ta ścieżka wymaga zgody na rezultat, który nie pasuje do planu. Być może dane nie pozwalają przewidywać dostatecznie wcześnie. Być może prosta reguła wystarcza. Być może zespół operacyjny nie ma możliwości zareagowania na sygnał. Uczciwe opisanie takiego ograniczenia jest wartościową pracą, nawet jeśli prezentacja nie kończy się efektownym wdrożeniem.

Przed zmianą roli zrobiłbym jeden mały projekt z oceną błędów i opisem użycia. Dopiero potem zdecydowałbym, jakiej matematyki, statystyki lub praktyki programistycznej brakuje mi najbardziej. Jeśli najbardziej lubisz opowiadać o wynikach, a najmniej sprawdzać metodę, warto to zauważyć przed zapisaniem się na następną wielomiesięczną naukę.

Ekspert biznesowy: konkretny obszar zamiast bycia od wszystkiego

„Ekspert biznesowy” jest tutaj nazwą kierunku rozwoju. Nie zakładam, że znajdziesz identyczny tytuł w ogłoszeniu. Możesz pracować jako analityk produktowy, specjalista operacyjny albo analityk odpowiedzialny za określony proces. Wspólny element to coraz lepsze rozumienie, jak decyzje i sposób działania firmy przekładają się na dane.

Pomocnym punktem odniesienia jest opis product managera, w którym spotykają się potrzeby użytkowników, cele organizacji i priorytety. Nie utożsamiam tych zawodów. Pokazuję obszar, z którym analityk może coraz bliżej współpracować, a czasem przejąć część odpowiedzialności po uzgodnieniu zakresu.

Wybieram konkretny proces: realizację zamówienia, kontakt z obsługą albo aktywację użytkownika. Ustalam, kto wykonuje kolejne kroki, gdzie zapadają decyzje i jak powstają ślady w systemach. Dwie kolumny o nazwie „data wysyłki” mogą opisywać różne zdarzenia. Bez rozmowy z ludźmi, którzy obsługują proces, łatwo zbudować bardzo precyzyjny raport o czymś innym, niż planowaliśmy.

W tej ścieżce podoba mi się możliwość połączenia analizy z działaniem. Kosztem jest konieczność doprecyzowania granic. Jeśli każdy problem staje się Twoim zadaniem, a nikt nie może zaakceptować zmiany procesu, rola szybko zamienia się w skrzynkę na cudze zaległości. Ustaliłbym, komu dostarczam rekomendację i kto podejmuje decyzję o jej wykonaniu.

Praktyczny dowód umiejętności to krótki opis problemu, dwie możliwe opcje, założenia i sposób sprawdzenia efektu. Dodaj warunek, przy którym zmienisz rekomendację. Takie opracowanie pokazuje, że potrafisz myśleć o decyzji razem z jej ograniczeniami. Sam długi katalog wskaźników jeszcze tego nie pokazuje.

Oddzieliłbym również wpływ od uprawnień do decydowania. Możesz dobrze wyjaśnić dane i nadal potrzebować decyzji właściciela procesu. Sprawdź, czy ta osoba jest dostępna i jak zespół rozstrzyga sprzeczne cele. Odpowiedzialność za rezultat bez możliwości uzyskania potrzebnych decyzji oznacza inne warunki pracy niż szeroka, ciekawa rola. Warto rozpoznać tę różnicę, zanim weźmiesz na siebie kolejne zobowiązanie wobec odbiorcy analizy.

Jeden problem, trzy różne zadania

Weźmy syntetyczny przykład sklepu: w zamkniętej grupie 1000 zamówień 50 dotarło po obiecanym terminie. Wszystkie zamówienia mają już znany wynik dostawy. Ta sama paczka danych może uruchomić trzy różne rodzaje pracy. Nie oznacza to, że potrzebujemy trzech nowych stanowisk; w małej firmie obowiązki mogą się częściowo nakładać.

Manager uzgadnia, kto sprawdzi definicję opóźnienia, kto przygotuje dane i kto porozmawia z operacjami. Pilnuje zależności oraz zakresu. Jeśli raport blokuje brak informacji od przewoźnika, komunikuje konsekwencje i ustala dalszy krok. Jego wkład oceniam przez to, czy praca zespołu staje się wykonalna i czy odbiorca wie, co dostanie.

Data scientist może badać, czy da się wcześniej wskazywać zagrożone zamówienia. Reguła „wszystko dotrze na czas” ma w tej próbce 95% poprawnych odpowiedzi i nie wykrywa żadnego opóźnienia. Sam wysoki procent trafności nie rozstrzyga więc, czy rozwiązanie pomaga osobie, która chce zapobiegać problemom.

Załóżmy ilustracyjnie, że inny wariant oznacza 80 zamówień jako zagrożone. Wśród nich 30 faktycznie jest opóźnionych. Mamy 50 fałszywych alarmów i 20 przeoczonych opóźnień. Precyzja wynosi 30/80, czyli 37,5%, a czułość 30/50, czyli 60%. To wymyślony wynik do porównania, bez trenowania modelu i bez obietnicy takiej skuteczności.

Ekspert biznesowy pyta, co obsługa może zrobić z tymi 80 sygnałami. Czy ma kontaktować się z klientem, zmieniać sposób wysyłki czy tylko obserwować? Czy obiecany termin był prawidłowo zapisany? Wychwycenie 30 opóźnień nie oznacza, że uda się im zapobiec. Między przewidywaniem a poprawą procesu pozostaje jeszcze sporo pracy.

Co AI zmienia w moim sposobie wyboru

Nie wybieram zawodu na podstawie obietnicy, że określona nazwa stanowiska ochroni mnie przed zmianą rynku. W tym artykule nie prognozuję zatrudnienia ani płac. Patrzę na to, czy umiem ocenić rezultat pracy narzędzia i połączyć go z zadaniem, za które ktoś odpowiada.

Jako próbę mogę użyć AI do przygotowania szkicu pytań, wariantu kodu albo planu analizy. Potem sprawdzam, które założenia przyjęło bez pytania. Dla managera interesujący będzie pominięty konflikt priorytetów. Dla osoby modelującej: błędny podział danych. Dla eksperta procesu: rekomendacja działania, którego firma nie może wykonać.

Warto zapisać własną kontrolę, a nie tylko końcową odpowiedź. Co odrzuciłem? Jak wykryłem błąd? Jakie porównanie wykonałem? Taki ślad daje lepszy materiał do rozmowy o umiejętnościach niż sam fakt korzystania z nowego narzędzia. W próbach używam danych syntetycznych lub materiałów, do których mam odpowiednie uprawnienia.

Mała próba przed dużą zmianą

Proponuję czterotygodniowe ćwiczenie. To ramy do zebrania pierwszych obserwacji, nie termin zdobycia nowego zawodu. Jeśli masz mniej czasu lub potrzebujesz uzgodnień w pracy, wydłuż plan. Najważniejsze, żeby próba miała zakres, rezultat i osobę, która potrafi dać konkretną informację zwrotną.

W pierwszym tygodniu wybierz jeden kierunek i porozmawiaj z osobą wykonującą podobne zadania. Zapytaj o ostatni trudny tydzień, częste poprawki i decyzje, których nie może podjąć samodzielnie. Przejrzyj kilka ofert z dostępnego Ci rynku. Zanotuj rzeczywiste obowiązki i wymagane dowody doświadczenia, bez zakładania, że sam tytuł wystarczy do porównania.

W drugim tygodniu wykonaj ograniczone zadanie. Przy zarządzaniu może to być koordynacja małego projektu uzgodniona z przełożonym, bez przejmowania formalnej oceny pracowników. Przy data science: porównanie prostej metody z punktem odniesienia i opis błędów. Przy biznesie: rozpisanie jednego procesu i przygotowanie rekomendacji dla wskazanego odbiorcy.

W trzecim tygodniu oddaj wynik do przeglądu. Nie pytaj wyłącznie, czy się podoba. Zapytaj, które założenie jest najsłabsze, czego brakuje do użycia i gdzie potrzebna była pomoc bardziej doświadczonej osoby. Jeśli nie masz dostępu do firmowego projektu, pracuj na publicznym lub syntetycznym przypadku i uczciwie opisz, których realnych warunków nie udało się sprawdzić.

W czwartym tygodniu popraw rezultat i zapisz obserwacje o sobie. Co chciało Ci się zgłębić mimo trudności? Której części unikałeś? Czy problemem był brak umiejętności, czy niechęć do samego rodzaju pracy? Jedno nieudane podejście nie rozstrzyga dopasowania, ale potrafi wskazać bardzo konkretne pytanie do następnej próby.

Jak podjąć decyzję po próbie

Nie liczyłbym średniej z ocen „lubię ludzi”, „lubię matematykę” i „lubię biznes”. Takie etykiety są zbyt szerokie. Zestawiłbym próbkę pracy, otrzymane uwagi, dostęp do nauki i warunki stanowisk, na które rzeczywiście możesz aplikować. Brak mentora albo brak możliwości przećwiczenia kluczowego zadania też ma znaczenie.

Ustal następny krok na kilka tygodni: drugie zadanie, rozmowę o zakresie obecnej roli albo uzupełnienie konkretnej luki. Nie musisz od razu deklarować nowej tożsamości zawodowej. Możesz sprawdzić zarządzanie i zdecydować, że bardziej odpowiada Ci prowadzenie techniczne. Możesz poznać modelowanie i wykorzystać ten warsztat jako analityk bez zmiany tytułu.

Jeżeli chcesz wejść głębiej w różnice metod i rezultatów, przeczytaj porównanie Data Analyst i Data Scientist. Jeśli zaś próba utknęła na współpracy, wróć do podziału odpowiedzialności między analitykiem, analitykiem biznesowym i BI Developerem. Wybierz zadanie, które pozwoli sprawdzić następną niewiadomą. Od tego zacząłbym własny plan.