Η Data Analyst Αλεξάνδρα Αθανασάκου απαντάει σε ερωτήσεις του eduguide και μας δίνει μια εικόνα για το επάγγελμά της.

1. Τι είναι η ανάλυση δεδομένων ως επάγγελμα; Μπορείτε να μας το περιγράψετε όσο πιο απλά και πρακτικά γίνεται;

Η ανάλυση δεδομένων είναι μια υπέροχη διαδικασία για εκείνους που τους αρέσει να λύνουν προβλήματα, να ψάχνουν συνεχώς να βρουν απαντήσεις και να «ικανοποιούν» την περιέργειά τους. Δίνοντας έναν λίγο πιο επίσημο ορισμό, θα έλεγα ότι με την ανάλυση δεδομένων είμαστε σε θέση να χρησιμοποιούμε παρελθοντικά δεδομένα για να κατανοήσουμε το παρελθόν και να προβλέψουμε το μέλλον. Βέβαια, σε αυτή τη διαδικασία διαδραματίζει σπουδαίο ρόλο η γνώση μαθηματικών (όχι πάντοτε σύνθετων, δεν θέλω να σας τρομάξω), καθώς και η αγάπη για τους αριθμούς και για το πώς αυτοί μπορούν να σου δημιουργήσουν μια ολόκληρη ιστορία μέσα από την οποία αύριο κάποιος θα μπορέσει να πάρει μια πολύ σημαντική απόφαση.

2. Τι χρειάζεται για να γίνει κάποιος/α Αναλυτής/τρια Δεδομένων;

Σήμερα, για να γίνει κάποιος Αναλυτής Δεδομένων, πέρα από τις τεχνικές δεξιότητες που θα χρειαστεί, τα soft skills (ήπιες δεξιότητες) κρίνονται απαραίτητα και ίσως αποτελούν το πιο βασικό συστατικό επιτυχίας. Ας μιλήσουμε όμως πιο συγκεκριμένα. Η γνώση μιας τουλάχιστον προγραμματιστικής γλώσσας είναι απαραίτητη όπως για παράδειγμα η Python σε συνδυασμό με βιβλιοθήκες ανάλυσης και διαχείρισης δεδομένων, καθώς και η SQL η οποία «συνεννοείται» άπταιστα με Σχεσιακές Βάσεις Δεδομένων. Έπειτα, η γνώση βασικής στατιστικής είναι απαραίτητη τόσο για τη δημιουργία δεικτών (Key Performance Indicators – KPIs), όσο και για την κατανόηση της κατανομής των δεδομένων. Τέλος, ίσως το πιο σημαντικό είναι η οπτικοποίηση των δεδομένων (Data Visualization) με ένα αντίστοιχο εργαλείο. Στην Ελλάδα για παράδειγμα, υπάρχουν πολλές εταιρίες που χρησιμοποιούν το Microsoft Power BI, το Qlik Sense ή το Tableau γι’ αυτήν τη διαδικασία.

Όσον αφορά τα πολύτιμα soft skills, η κριτική και αναλυτική σκέψη είναι must, ενώ ο καταμερισμός προβλημάτων σε μικρότερα κομμάτια και η επίλυση αυτών επίσης δημιουργούν το «απόλυτο» πακέτο δεξιοτήτων. Καθώς η ανάλυση δεδομένων είναι μια αρκετά χρονοβόρα διαδικασία μέσα από την οποία ανακαλύπτονται πραγματικά «θησαυροί», είναι απαραίτητο ο αναλυτής να ξέρει να επικοινωνεί την πληροφορία και να την παρουσιάζει με τέτοιο τρόπο ώστε κάθε ομάδα ανθρώπων να μπορεί να αντιληφθεί τα ευρήματα και τις επόμενες κινήσεις που προτείνονται. Τέλος, η συνεργασία με άλλους ανθρώπους, η διαχείριση του χρόνου και ενός έργου από το Α έως και το Ω είναι εξίσου σημαντικά, ιδιαίτερα όταν ο Αναλυτής Δεδομένων εργάζεται ως σύμβουλος για διάφορους πελάτες.

3. Μπορείτε να μας δώσετε ένα παράδειγμα δουλειάς: ένα πρόσφατο έργο στο οποίο δουλέψατε και χρειάστηκε ανάλυση δεδομένων.

Πρόσφατα, είχα λάβει δεδομένα παραγγελιών από ένα online κατάστημα όπου σκοπός ήταν να δοθούν ορισμένα στατιστικά για το προφίλ των πελατών, τις καταναλωτικές τους συνήθειες, τις προτιμήσεις τους, κ.λπ., καθώς και να γίνει διάκριση μεταξύ των πελατών με βάση όλα αυτά τα στοιχεία ώστε να οριστεί συγκεκριμένη στρατηγική σε κάθε ομάδα πελατών που διαθέτει κοινά χαρακτηριστικά.

Αυτό το project δημιουργήθηκε εξ ολοκλήρου σε Python καθώς πρόκειται για μια γλώσσα προγραμματισμού που υποστηρίζει την ανάλυση δεδομένων, κάνοντας την όλη διαδικασία σημαντικά πιο εύκολη και γρήγορη αρκεί να ξέρεις τι βήματα πρέπει να ακολουθήσεις. 

Όταν ξεκίνησα περίμενα ότι τα δεδομένα μου θα έχουν αρκετά προβλήματα, όμως στην πραγματικότητα, επειδή είχαν αντληθεί από σύστημα το οποίο ήταν ήδη βελτιστοποιημένο από συναδέλφους Data Engineers, το κομμάτι της προετοιμασίας και «καθαρισμού» δεδομένων δεν ήταν κάτι με το οποίο χρειάστηκε να ασχοληθώ. Αυτό είναι πραγματικά μια «ευλογία» για κάθε Αναλυτή Δεδομένων, καθώς πολύς χρόνος ξοδεύεται σε αυτό το στάδιο αν δεν υπάρχει στην εταιρεία κάποιος συνάδελφος υπεύθυνος γι’ αυτό. Έτσι, είχα τη χαρά να δώσω όλη μου την ενέργεια στην κατανόηση των δεδομένων μου χρησιμοποιώντας την περιγραφική στατιστική, παρατηρώντας την κατανομή αυτών και οπτικοποιώντας την πληροφορία μέσα από εύστοχες επιλογές γραφημάτων. Έτσι, έγινε σαφές το προφίλ των πελατών και οι προτιμήσεις τους. 

Για την κατηγοριοποίηση των πελατών επιλέχθηκε ένας αλγόριθμος κατηγοριοποίησης ο οποίος συγγράφηκε πραγματικά με δύο γραμμές κώδικα και ύστερα από την επιλογή των πιο βασικών δεδομένων που θεώρησα ότι θα βοηθήσουν τον αλγόριθμο στην ανακάλυψη των διαφορετικών ομάδων πελατών, τα αποτελέσματα ήταν αρκετά θετικά.
Τέλος, αφού έγινε όλη αυτή η δουλειά, τελικό μέλημα ήταν η παρουσίαση των ευρημάτων και η συζήτηση των προτάσεων ανά κατηγορία πελατών έχοντας πάντοτε υπόψιν να προσαρμόζω τον λόγο μου ανάλογα με το κοινό.

4. Πόση αξία έχουν τα Data Analytics στον σημερινό κόσμο; Και πόσο πολύτιμοι είναι οι Data Analysts; 

Η δεξιότητα της ανάλυσης δεδομένων στον σημερινό κόσμο έχει παραπάνω αξία απ’ όσο θέλουμε να πιστεύουμε. Ο λόγος είναι η ανάγκη αξιοποίησης των εκθετικά αυξανόμενων διαθέσιμων δεδομένων. Πλέον, έχουμε κατανοήσει ότι σοβαρές αποφάσεις πρέπει να παίρνονται στηριζόμενοι σε δεδομένα και όχι μόνο στην εμπειρία ή το προαίσθημα. 

Έτσι, οι αναλυτές δεδομένων παγκοσμίως έχουν μεγάλη ζήτηση γιατί μπορούν να σου δώσουν απαντήσεις σε κρίσιμα ζητήματα, είτε μιλάμε για τον κόσμο των επιχειρήσεων, είτε και της ίδιας της ανθρωπότητας.

Προσωπική άποψη και trend που παρακολουθώ μετά την «έκρηξη» με την Τεχνητή Νοημοσύνη, είναι ότι η ανάλυση δεδομένων δεν είναι δεξιότητα των λίγων, αλλά των πολλών. Πλέον, κάθε εργαζόμενος έρχεται αντιμέτωπος με δεδομένα και δεν μπορεί να αποφύγει την ενασχόληση με αυτά. Άρα, η ανάλυση δεδομένων, ακόμη και σε απλή μορφή αυτής με τη χρήση data visualization και παρακολούθηση απλών δεικτών, είναι κάτι που απασχολεί όλους μας, άλλους περισσότερο και άλλους λιγότερο αφού μπορεί να αποτελέσει πρόσθετη δεξιότητα της ήδη υπάρχουσας εργασίας μας και όχι απαραίτητα μιας καριέρας αποκλειστικά ως Αναλυτή Δεδομένων.

Στην Ελλάδα υπάρχουν αρκετές θέσεις εργασίας ως Data Analyst οι οποίες αυξάνονται συνεχώς, κάτι το οποίο υποστηρίζεται και από τη Forbes που προβλέπει ότι η ζήτηση για αναλυτές δεδομένων μέχρι και το 2030 θα αυξηθεί 31%. Έπειτα, σε σχέση με το παρελθόν, αρκετές εταιρείες αρχίζουν και κατανοούν τις διακριτές δεξιότητες ενός Αναλυτή Δεδομένων, ωστόσο πολλές φορές συγχέεται και με ρόλους Business Intelligence που πράγματι καλύπτουν αρκετές εργασίες του Αναλυτή Δεδομένων αλλά εν τέλει δεν έχουν τους ίδιους σκοπούς. Τέλος, ένας Αναλυτής Δεδομένων έχει την ευκαιρία να ξεκινήσει με έναν ικανοποιητικό μισθό για τα ελληνικά δεδομένα, ενώ η διαχείριση της καριέρας του μπορεί να αποφέρει εκθετική αύξηση εισοδημάτων σε πολύ λίγα χρόνια.

Η Αλεξάνδρα Αθανασάκου σπούδασε Πληροφορική στο Πανεπιστήμιο Πειραιά, έκανε μεταπτυχιακό στην Ανάπτυξη και Ασφάλεια Πληροφοριακών Συστημάτων στο Οικονομικό Πανεπιστήμιο Αθηνών και αυτή τη στιγμή εκπαιδεύεται στο Learning Design & Technology στο Αμερικανικό Κολλέγιο. Από το 2020 εργάζεται ως Consultant στον τομέα των Business Intelligence & Data Analytics και είναι η δημιουργός της online εκπαιδευτικής πλατφόρμας Data Tutor που στοχεύει μέσω της project-based μάθησης να διαδώσει σημαντικές δεξιότητες ανάλυσης δεδομένων για κάθε επαγγελματία.

............................................

#Σπουδές στην Ανάλυση Δεδομένων

Αν η Ανάλυση Δεδομένων είναι ο τομέας που σε συναρπάζει, μπορείς να δεις εδώ όλα τα προπτυχιακά προγράμματα Θετικών Σπουδών σε Ελλάδα και Κύπρο τα οποία θα σου δώσουν τα εφόδια να ασχοληθείς με την Ανάλυση Δεδομένων.

Από την άλλη, αν έχεις ήδη ολοκληρώσει τις προπτυχιακές σπουδές σου και αναζητάς ευκαιρίες για μεταπτυχιακή εξειδίκευση, μπορείς να ψάξεις το μεταπτυχιακό που σε ενδιαφέρει από τη μηχανή αναζήτησης του eduguide, χρησιμοποιώντας λέξεις-κλειδιά όπως «Data Analytics, Data Analysis, Ανάλυση Δεδομένων» κ.λπ.