Data Analitik Olmaq Üçün Lazım Olan 8 Əsas Bacarıq

Excel-də hesabat hazırlamağı bacarırsınız, rəqəmlərlə işləmək xoşunuza gəlir və eşitmisiniz ki, data analitiklərə tələbat var. Amma vakansiyalarda SQL, Power BI, A/B test, KPI, dbt kimi sözlər görürsünüz və hansından başlamağı bilmirsiniz. Bu yazıda data analitik olmaq üçün lazım olan 8 əsas bacarığı sıralayırıq — hər biri üçün real iş nümunəsi və bu gündən nə edə biləcəyiniz ilə.

Qısa cavab: Data analitik olmaq üçün əsas bacarıqlar bunlardır: SQL, Excel/spreadsheet, data təmizləmə, vizuallaşdırma və BI alətləri (məsələn, Power BI), əsas statistika, KPI və biznes metriklərini anlamaq, eksperiment (A/B test) təhlili və nəticəni hekayə kimi təqdim etmək. Ən vacibi texniki alət yox, biznes sualını rəqəmlə cavablandırmaq bacarığıdır.

Data analitik nə edir?

Data analitik şirkətin topladığı məlumatdan qərar üçün cavab çıxarır: satışlar niyə düşüb, hansı kampaniya işləyib, müştərilər harada tərk edir, hansı filial daha səmərəlidir. Nəticə adətən hesabat, dashboard və ya qısa təqdimat şəklində rəhbərliyə və komandalara çatır.

Data scientist-dən fərqi: analitik əsasən "nə baş verib və niyə?" sualına cavab verir, data scientist isə daha çox proqnoz və modellərlə "nə baş verəcək?" sualına. Ətraflı müqayisə data analyst vs data scientist yazımızdadır.

1. SQL — analitikin əsas dili

Şirkət dataları verilənlər bazalarında yaşayır və SQL onları çıxarmağın əsas yoludur. SELECT, WHERE, GROUP BY, JOIN ilə başlayın, sonra pəncərə funksiyalarına (ROW_NUMBER, LAG, kumulyativ cəmlər) keçin.

Real nümunə: "Son 6 ayda hər ay neçə yeni müştəri gəlib və onlardan neçəsi ikinci alış edib?" — bu sual bir neçə cədvəli birləşdirən SQL sorğusu tələb edir.

Nə etməli: Açıq datasetlər üzərində hər gün 2–3 real biznes sualını SQL ilə cavablandırın.

2. Excel və spreadsheet bacarığı

BI alətləri nə qədər güclü olsa da, bir çox şirkətdə sürətli təhlil hələ də Excel-də aparılır. Pivot cədvəllər, XLOOKUP/VLOOKUP, şərti formatlaşdırma və sadə qrafiklər minimumdur.

Nə etməli: Bir satış cədvəlindən pivot ilə regionlar və aylar üzrə hesabat qurun və nəticəni 3 cümlə ilə yazın.

3. Data təmizləmə

Real data heç vaxt təmiz gəlmir: boş xanalar, təkrarlanan sətirlər, fərqli formatlı tarixlər, "Bakı" və "Baku" kimi yazılışlar. Təmizləmə analitikin vaxtının əhəmiyyətli hissəsini tutur və səhv təmizləmə səhv nəticə deməkdir.

Nə etməli: Hər layihədə təmizləmə addımlarını qeyd edin — bu, həm sizə, həm də işinizi yoxlayana etibar verir.

4. Vizuallaşdırma və BI alətləri

Dashboard rəqəmləri qərar verənlər üçün oxunaqlı edir. Power BI bu sahədə geniş istifadə olunan alətlərdəndir; Microsoft-un Power BI təqdimatı onun komponentlərini yaxşı izah edir. Data modelləşdirmə (cədvəllər arası əlaqələr) və DAX ölçüləri növbəti səviyyədir.

Tipik səhv: bir səhifəyə 15 qrafik yığmaq. Yaxşı dashboard bir-iki əsas suala cavab verir.

5. Əsas statistika

Orta və median fərqi, paylanma, kənar qiymətlər (outlier), korrelyasiya, nümunə ölçüsü. Statistika olmadan analitik təsadüfi dalğalanmanı trend kimi oxuya bilər.

Real nümunə: Bir gün satış 30% artıb. Bu, kampaniyanın nəticəsidir, yoxsa bayram effekti? Statistika bu sualı düzgün qoymağa kömək edir.

6. KPI və biznes metrikləri

Analitik "nə ölçülməlidir?" sualını başa düşməlidir: konversiya, saxlama (retention), müştəri dəyəri, orta çek, funnel mərhələləri. Eyni datadan səhv metriklə tam əks nəticə çıxara bilərsiniz.

Nə etməli: Hər layihəyə "biznes sualı" və "uğur metriki" ilə başlayın.

7. Eksperiment və A/B test təhlili

Şirkətlər yeni dizayn, qiymət və ya kampaniyanı sınayanda nəticəni A/B testlə ölçür. Analitik testin düzgün qurulduğunu, nəticənin statistik olaraq etibarlı olub-olmadığını və hansı qərarın verilməli olduğunu müəyyən edir.

8. Nəticəni hekayə kimi danışmaq

Ən yaxşı təhlil də anlaşılmasa, istifadə olunmur. Güclü analitik nəticəni belə təqdim edir: "Nə gördük → niyə vacibdir → nə tövsiyə edirik." Texniki terminlər yox, qərar.

Nə etməli: Hər layihənin sonuna qeyri-texniki menecer üçün yarım səhifəlik xülasə yazın.

Ən vacib 3 bacarığın xülasəsi

Hamısı birdən çətin gəlirsə, bu üçündən başlayın:

1. SQL — datanı əldə etmədən heç nə başlamır.
2. Vizuallaşdırma və BI — nəticəni qərar verənlərə çatdırmaq üçün.
3. Hekayə ilə təqdimat — işinizin dəyərini görünən edən bacarıq.

Bu bacarıqları real tapşırıqlarla qurmaq

Yuxarıdakı bacarıqların hər birini kurslarla öyrənmək olar; amma işəgötürən onları real biznes datası üzərində tətbiq edə bildiyinizi görmək istəyir. Bunu Devlab komandası sizin üçün qura bilər. Data Analytics proqramı minimum 3 ay davam edir və 13 moduldan ibarətdir:

1. Data Foundations & First Exploration
2. SQL Foundations for Analytics
3. Time, Seasonality & Cohort Analysis
4. Segmentation & Your First Power BI Report
5. Multi-Table SQL & KPI Frameworks
6. Funnels, Outliers & Window Functions
7. Power BI Modelling & Report Design
8. Capstone: SQL + Power BI + Storytelling
9. The Modern Data Stack & dbt
10. Cloud Data Warehousing
11. Advanced Power BI & Semantic Modeling
12. Experimentation & Statistical Rigor
13. Capstone II: End-to-End Analytics Platform

Hər modul real biznes probleminə əsaslanır, sahə mütəxəssisi olan mentor işinizi yoxlayır və həftəlik canlı görüşlər keçirilir.

Bir analitikin həftəsi: real ssenari

Tutaq ki, onlayn mağazanın analitikisiniz və bazar ertəsi menecer yazır: "Keçən ay satışlar düşüb, səbəbini tapın."

• Bazar ertəsi: SQL ilə satışları gün, kateqoriya, region və kanal üzrə çıxarırsınız. Düşüşün bir kateqoriyada və bir kanalda cəmləşdiyini görürsünüz.
• Çərşənbə axşamı: datanı yoxlayırsınız — bəlkə problem real deyil, bir sistemin data göndərməsi dayanıb? Yox, data düzgündür.
• Çərşənbə: həmin kanalın funnel-inə baxırsınız: ziyarətçi sayı eynidir, amma səbətdən ödənişə keçid azalıb. Tarixə baxanda ödəniş səhifəsində dəyişiklik edildiyi günlə üst-üstə düşür.
• Cümə axşamı: Power BI-da qısa hesabat qurursunuz: düşüş haradadır, nə vaxt başlayıb, nə ilə üst-üstə düşür.
• Cümə: menecerə üç cümləlik xülasə: "Düşüş ödəniş səhifəsindəki dəyişiklikdən sonra başlayıb; əvvəlki versiyanı A/B testlə müqayisə etməyi təklif edirik."

Bu bir həftədə səkkiz bacarığın demək olar ki, hamısı istifadə olundu — və sonda dəyəri yaradan texniki iş yox, aydın tövsiyə oldu.

Portfolio üçün 3 analitika layihəsi ideyası

1. Kohort analizi: onlayn mağazanın müştərilərinin hansı aylarda geri qayıtdığını göstərən hesabat
2. Funnel təhlili: saytda ziyarətdən alışa qədər hansı mərhələdə ən çox itki olduğunu göstərən dashboard
3. A/B test hesabatı: iki variant arasındakı fərqin statistik olaraq etibarlı olub-olmadığını izah edən qısa təhlil

Hər layihənin sonunda qeyri-texniki xülasə olsun: nə gördük, nə tövsiyə edirik.

Bu üç layihə birlikdə SQL, vizuallaşdırma, statistika və hekayə ilə təqdimat bacarıqlarını göstərir.

Başlamaq üçün ilk həftə

1. Açıq bir satış və ya müştəri datasetini tapın
2. Ona 5 biznes sualı yazın (ən çox satan kateqoriya, aylıq trend, təkrar alış və s.)
3. Hər sualı SQL ilə cavablandırın
4. Nəticələri bir sadə dashboard-da göstərin və yarım səhifəlik xülasə yazın

Nəticə

Data analitik olmaq üçün 8 bacarıq lazımdır: SQL, Excel, data təmizləmə, vizuallaşdırma, statistika, biznes metrikləri, A/B test və hekayə ilə təqdimat. Hamısını eyni anda öyrənmək lazım deyil — SQL ilə başlayın, hər həftə bir real biznes sualını cavablandırın və nəticəni yazılı izah edin.

Data analitik yoluna real data ilə başlamaq istəyirsinizsə, pulsuz qeydiyyatdan keçin və Data Analytics üzrə tapşırıq nümunələrini öhdəliksiz görün. Sahə seçimində tərəddüd edirsinizsə, IT-də hansı sahəni seçməli bələdçimizə baxın.

Tez-tez verilən suallar

Data analitik olmaq üçün proqramlaşdırma bilmək lazımdırmı?

SQL mütləqdir. Python faydalıdır və bir çox vakansiyada üstünlük kimi göstərilir, amma junior səviyyədə həmişə tələb olunmur. Başlanğıc üçün SQL və bir BI aləti kifayətdir.

Power BI yoxsa Tableau?

Hər ikisi geniş istifadə olunur və anlayışlar oxşardır. Power BI Microsoft ekosistemi ilə işləyən şirkətlərdə yayğındır. Birini dərindən öyrənsəniz, digərinə keçid asan olacaq.

İqtisad və ya mühasibat fonu data analitikaya keçid üçün faydalıdırmı?

Bəli, çox faydalıdır. Biznes metriklərini və hesabatları artıq başa düşürsünüz; əlavə etməli olduğunuz əsasən SQL və vizuallaşdırma alətləridir.

Data analitik olmaq nə qədər vaxt aparır?

Bu, başlanğıc səviyyənizdən və ayırdığınız vaxtdan asılıdır. Devlab-ın Data Analytics proqramı minimum 3 ay davam edir və ilk moduldan real data ilə işləməyə başlayırsınız.