Šablona kariérního žebříčku

Šablona kariérního žebříčku pro datové analytiky

Pět úrovní od Junior po Principal analytika a sedm kompetencí od formulace otázek až po změnu rozhodnutí.

Tarif Zdarma · Bez platební karty

Tento kariérní žebříček je určen firmám s přibližně 20 až 200 lidmi, kde mají analytici blízko k byznysu: hrstka analytiků, někdy jen jeden, odpovídá na otázky produktu, marketingu, obchodu a vedení, často nad datovým stackem, který sami pomáhají stavět. Popisuje pět úrovní, od člověka, který se učí psát spolehlivé dotazy, až po toho, kdo rozhoduje, jak se celá firma měří. Nejvyšší úroveň, Principal datový analytik, je odborná úroveň; vedení analytického týmu je samostatná práce.

Každá úroveň je definována tím, co analytik dělá a jak daleko jeho práce sahá, ne nástroji, které zná, ani počtem let praxe. Řádek matice kompetencí čtěte zleva doprava a uvidíte, jak jedno očekávání roste; část věnovanou jedné úrovni čtěte, když chcete vidět vše, co se na ní očekává. Použijte ho k vysvětlení, co znamená další úroveň, k sebehodnocení a check-inům a k tomu, aby byly návrhy na povýšení srovnatelné.

Než ho zveřejníte, upravte ho. Obecné formulace nahraďte vlastním stackem a vlastními metrikami, vyřaďte úrovně, které zatím nepotřebujete, a rozhodněte, kde ve vaší firmě končí analytics engineering a začíná analýza.

Úrovně v kostce

Junior datový analytik
Odpovídá na jasně zadané otázky spolehlivými dotazy a přehlednými grafy, s revizí od zkušenějšího analytika.
Rozsah
Jednotlivé požadavky a pravidelné reporty pro jeden tým, obvykle vymezené někým jiným.
Medior datový analytik
Vede analýzy od začátku do konce, od vágní otázky po doporučení, a je hlavním analytikem pro jednu oblast.
Rozsah
Jedna oblast byznysu, například onboarding, ceny nebo obchodní trychtýř, a její dashboardy a opakující se otázky.
Senior datový analytik
Vede analýzy, o které se opírají důležitá rozhodnutí, a zvyšuje kvalitu analýz kolem sebe.
Rozsah
Několik oblastí byznysu nebo jedna velká firemní iniciativa a definice metrik, na kterých závisejí.
Lead datový analytik
Utváří, jak firma využívá data napříč funkcemi, a stanovuje standardy, podle kterých pracují ostatní analytici.
Rozsah
Analytika napříč několika funkcemi včetně sdílených metrik, datových modelů a analytické roadmapy.
Principal datový analytik
Rozhoduje, jak se firma měří, a odpovídá za důvěru, kterou vedení vkládá do jejích čísel.
Rozsah
Klíčové metriky firmy, její přístup k experimentům a analytická strategie na několik dalších let.

Matice kompetencí

Každý řádek je kompetence a každý sloupec úroveň. Čtěte řádek zleva doprava a uvidíte, jak očekávání rostou.

Co jednotlivé kompetence znamenají

Formulace problému: Převést otázku stakeholdera na otázku, na kterou data dokážou odpovědět a ze které může vyplynout rozhodnutí.
Dotazování a datové modelování: Dostat z datového skladu správná data a uspořádat je tak, aby je mohli používat i ostatní.
Statistická preciznost a experimenty: Dospívat k závěrům, které obstojí, a vědět, jak moc si jimi firma může být jistá.
Kvalita dat a definice metrik: Zajistit, aby čísla byla správná, všude znamenala totéž a lidé jim věřili.
Komunikace zjištění: Vysvětlit, co data říkají, tak, aby tomu lidé porozuměli a jednali podle toho.
Dopad na byznys a partnerství: Rozumět tomu, jak byznys funguje, a zajistit, aby analýza měnila to, co lidé dělají.
Mentoring a rozvoj týmu: Pomáhat ostatním analytikům a uživatelům dat zlepšovat se a posilovat tým.

Datový analytik: očekávání podle kompetence a úrovně
Kompetence	Junior datový analytik	Medior datový analytik	Senior datový analytik	Lead datový analytik	Principal datový analytik
Formulace problému	Před začátkem každý požadavek písemně přeformuluje, ověří si období, segment a definici, na které se zadání ptá, a zjistí, o jakém rozhodnutí má odpověď vypovídat.	Vágní otázky typu „proč roste churn?“ převádí na krátký plán analýzy s hypotézami a ozve se, když by požadavek nezměnil žádné rozhodnutí.	Přeformulovává otázky stakeholderů kolem rozhodnutí, které je skutečně potřeba udělat, a navrhuje analýzy, o které nikdo nežádal, pokud by změnily prioritu.	Každé čtvrtletí s vedoucími funkcí stanovuje analytickou agendu, vybírá těch několik otázek, na které se nejvíc vyplatí odpovědět, a vysvětluje, co se analyzovat nebude a proč.	Pojmenovává otázky, které by si vedení mělo o byznysu klást, a zajišťuje, aby firma měla data k jejich zodpovězení dřív, než se stanou naléhavými.
Dotazování a datové modelování	Píše čitelné SQL s joiny, agregacemi a window funkcemi, než výsledku uvěří, zkontroluje počty řádků a duplicity a u neznámých tabulek žádá o revizi.	Zná tabulky ve své oblasti i jejich zvláštnosti, místo kopírování dotazů staví znovupoužitelné modely nebo pohledy a dokumentuje logiku každého dashboardu, za který odpovídá.	Navrhuje datové modely pro oblast byznysu tak, aby běžné otázky vyžadovaly jednoduché dotazy, reviduje logiku ostatních analytiků a s vývojáři opravuje tracking přímo u zdroje.	Definuje konvence modelování v celém analytickém kódu, rozhoduje, co patří do sdílených modelů a co do jednorázové analýzy, a plánuje práci na vyřazení křehkých datových pipeline.	Spolu s vedením vývoje utváří celkovou datovou architekturu a volí, kam má analytika investovat, aby odpovědi na nejdůležitější otázky zůstaly levné a rychlé.
Statistická preciznost a experimenty	Srovnává srovnatelné, u každého výsledku uvádí velikost vzorku a sezónnost a upozorní, když rozdíl může být jen šum, místo aby ho prezentoval jako zjištění.	Analyzuje A/B testy od začátku do konce, včetně velikosti vzorku, doby běhu a ochranných metrik, a srozumitelně vysvětluje spolehlivost a nejistotu.	Když randomizovaný test není možný, volí obhajitelnou metodu — rozdíl v rozdílech oproti srovnatelnému segmentu, přerušenou časovou řadu nebo párované srovnání — a otevřeně uvádí její předpoklady a meze.	Stanovuje standardy experimentování ve firmě — kdy testovat, jak dlouho test nechat běžet, jak vyhodnotit výsledek — a reviduje analýzy s vysokými sázkami, než se dostanou k vedení.	Rozhoduje, jak firma zachází s důkazy u svých největších rozhodnutí, vyvažuje preciznost a rychlost a je posledním recenzentem analýz, které mění strategii.
Kvalita dat a definice metrik	Před sdílením porovná nová čísla s existujícím zdrojem a rozbitá data nebo podezřelé propady nahlásí vlastníkovi ještě týž den.	Odpovídá za přesnost dashboardů ve své oblasti, přidává jednoduché kontroly, které odhalí rozbitá data dřív než stakeholdeři, a zapisuje definici každé metriky, kterou zavede.	Řeší rozporné verze téže metriky mezi týmy, dohodne jednu definici s lidmi, kteří ji používají, a vyřadí reporty, které jí odporují.	Spravuje firemní katalog metrik a proces změny definice a zviditelňuje datové incidenty, každý s vlastníkem a opravou.	Odpovídá za důvěryhodnost čísel, která se reportují vedení, investorům nebo představenstvu, a buduje kontroly, které je s růstem firmy udrží konzistentní.
Komunikace zjištění	Prezentuje výsledky s jasným grafem, jednovětým shrnutím a podstatnými výhradami a udržuje dashboardy popsané tak, aby je ostatní přečetli bez pomoci.	Píše krátká shrnutí analýz, která začínají odpovědí a doporučením, přizpůsobuje míru detailu publiku a staví dashboardy, které odpovídají na konkrétní sadu otázek.	Seniorním stakeholderům vypráví příběh za složitými analýzami, s klidem čelí zpochybňování čísel a mění zjištění v návrhy, podle kterých může tým jednat.	Pravidelně prezentuje vedení, nastavuje standard, jak se analýzy ve firmě sepisují, a zajišťuje, aby se důležitá zjištění dostala ke všem, kterých se týkají.	Utváří, jak firma mluví o svých výsledcích, od porad vedení po zprávy pro investory, aby všichni četli stejná čísla stejně.
Dopad na byznys a partnerství	Učí se, jak tým, kterému pomáhá, vydělává peníze nebo přináší hodnotu, a po vyřízení požadavku si ověří, zda byla odpověď použita.	Je důvěryhodným partnerem jednoho týmu, účastní se jeho plánování a dokáže jmenovat rozhodnutí z posledního čtvrtletí, která se díky jeho práci změnila.	Ovlivňuje priority napříč několika týmy, propojuje analýzy s tržbami, náklady nebo retencí a zastavuje práci, která už nestojí za to.	S vedoucími funkcí spolupracuje na cílech a plánech a zajišťuje, aby analytická kapacita šla tam, kde změní nejdůležitější rozhodnutí.	Spolupracuje s vedením na strategii a plánování a dokáže ukázat rozhodnutí na úrovni firmy za poslední rok — ceny, vstup na trh, velké investice — která se změnila díky analytické práci.
Mentoring a rozvoj týmu	Žádá o zpětnou vazbu ke svým dotazům a výstupům, zapracovává ji a sdílí s týmem užitečné triky a záludnosti.	Reviduje práci ostatních analytiků s konkrétními připomínkami, pomáhá nováčkům poznat data ve své oblasti a trpělivě odpovídá na datové otázky kolegů.	Mentoruje juniorní analytiky, vede revize kódu a analýz a učí neanalytiky, jak si na jednoduché otázky odpovědět sami pomocí samoobslužných nástrojů.	Rozvíjí několik analytiků směrem k další úrovni, utváří nábor a pohovory do analytického týmu a buduje zaškolení a dokumentaci, o které se noví analytici opírají.	Buduje datovou kulturu firmy, vychovává budoucí vedoucí analytiky a navrhuje, jak by měl být datový tým s růstem firmy uspořádán.

Posuňte tabulku do strany, abyste viděli všechny úrovně.

Stáhnout jako CSV Otevře se v Excelu, Tabulkách Google nebo Numbers.

Junior datový analytik: co se očekává

Odpovídá na jasně zadané otázky spolehlivými dotazy a přehlednými grafy, s revizí od zkušenějšího analytika. Jednotlivé požadavky a pravidelné reporty pro jeden tým, obvykle vymezené někým jiným.

Formulace problému: Před začátkem každý požadavek písemně přeformuluje, ověří si období, segment a definici, na které se zadání ptá, a zjistí, o jakém rozhodnutí má odpověď vypovídat.
Dotazování a datové modelování: Píše čitelné SQL s joiny, agregacemi a window funkcemi, než výsledku uvěří, zkontroluje počty řádků a duplicity a u neznámých tabulek žádá o revizi.
Statistická preciznost a experimenty: Srovnává srovnatelné, u každého výsledku uvádí velikost vzorku a sezónnost a upozorní, když rozdíl může být jen šum, místo aby ho prezentoval jako zjištění.
Kvalita dat a definice metrik: Před sdílením porovná nová čísla s existujícím zdrojem a rozbitá data nebo podezřelé propady nahlásí vlastníkovi ještě týž den.
Komunikace zjištění: Prezentuje výsledky s jasným grafem, jednovětým shrnutím a podstatnými výhradami a udržuje dashboardy popsané tak, aby je ostatní přečetli bez pomoci.
Dopad na byznys a partnerství: Učí se, jak tým, kterému pomáhá, vydělává peníze nebo přináší hodnotu, a po vyřízení požadavku si ověří, zda byla odpověď použita.
Mentoring a rozvoj týmu: Žádá o zpětnou vazbu ke svým dotazům a výstupům, zapracovává ji a sdílí s týmem užitečné triky a záludnosti.

Medior datový analytik: co se očekává

Vede analýzy od začátku do konce, od vágní otázky po doporučení, a je hlavním analytikem pro jednu oblast. Jedna oblast byznysu, například onboarding, ceny nebo obchodní trychtýř, a její dashboardy a opakující se otázky.

Formulace problému: Vágní otázky typu „proč roste churn?“ převádí na krátký plán analýzy s hypotézami a ozve se, když by požadavek nezměnil žádné rozhodnutí.
Dotazování a datové modelování: Zná tabulky ve své oblasti i jejich zvláštnosti, místo kopírování dotazů staví znovupoužitelné modely nebo pohledy a dokumentuje logiku každého dashboardu, za který odpovídá.
Statistická preciznost a experimenty: Analyzuje A/B testy od začátku do konce, včetně velikosti vzorku, doby běhu a ochranných metrik, a srozumitelně vysvětluje spolehlivost a nejistotu.
Kvalita dat a definice metrik: Odpovídá za přesnost dashboardů ve své oblasti, přidává jednoduché kontroly, které odhalí rozbitá data dřív než stakeholdeři, a zapisuje definici každé metriky, kterou zavede.
Komunikace zjištění: Píše krátká shrnutí analýz, která začínají odpovědí a doporučením, přizpůsobuje míru detailu publiku a staví dashboardy, které odpovídají na konkrétní sadu otázek.
Dopad na byznys a partnerství: Je důvěryhodným partnerem jednoho týmu, účastní se jeho plánování a dokáže jmenovat rozhodnutí z posledního čtvrtletí, která se díky jeho práci změnila.
Mentoring a rozvoj týmu: Reviduje práci ostatních analytiků s konkrétními připomínkami, pomáhá nováčkům poznat data ve své oblasti a trpělivě odpovídá na datové otázky kolegů.

Senior datový analytik: co se očekává

Vede analýzy, o které se opírají důležitá rozhodnutí, a zvyšuje kvalitu analýz kolem sebe. Několik oblastí byznysu nebo jedna velká firemní iniciativa a definice metrik, na kterých závisejí.

Formulace problému: Přeformulovává otázky stakeholderů kolem rozhodnutí, které je skutečně potřeba udělat, a navrhuje analýzy, o které nikdo nežádal, pokud by změnily prioritu.
Dotazování a datové modelování: Navrhuje datové modely pro oblast byznysu tak, aby běžné otázky vyžadovaly jednoduché dotazy, reviduje logiku ostatních analytiků a s vývojáři opravuje tracking přímo u zdroje.
Statistická preciznost a experimenty: Když randomizovaný test není možný, volí obhajitelnou metodu — rozdíl v rozdílech oproti srovnatelnému segmentu, přerušenou časovou řadu nebo párované srovnání — a otevřeně uvádí její předpoklady a meze.
Kvalita dat a definice metrik: Řeší rozporné verze téže metriky mezi týmy, dohodne jednu definici s lidmi, kteří ji používají, a vyřadí reporty, které jí odporují.
Komunikace zjištění: Seniorním stakeholderům vypráví příběh za složitými analýzami, s klidem čelí zpochybňování čísel a mění zjištění v návrhy, podle kterých může tým jednat.
Dopad na byznys a partnerství: Ovlivňuje priority napříč několika týmy, propojuje analýzy s tržbami, náklady nebo retencí a zastavuje práci, která už nestojí za to.
Mentoring a rozvoj týmu: Mentoruje juniorní analytiky, vede revize kódu a analýz a učí neanalytiky, jak si na jednoduché otázky odpovědět sami pomocí samoobslužných nástrojů.

Lead datový analytik: co se očekává

Utváří, jak firma využívá data napříč funkcemi, a stanovuje standardy, podle kterých pracují ostatní analytici. Analytika napříč několika funkcemi včetně sdílených metrik, datových modelů a analytické roadmapy.

Formulace problému: Každé čtvrtletí s vedoucími funkcí stanovuje analytickou agendu, vybírá těch několik otázek, na které se nejvíc vyplatí odpovědět, a vysvětluje, co se analyzovat nebude a proč.
Dotazování a datové modelování: Definuje konvence modelování v celém analytickém kódu, rozhoduje, co patří do sdílených modelů a co do jednorázové analýzy, a plánuje práci na vyřazení křehkých datových pipeline.
Statistická preciznost a experimenty: Stanovuje standardy experimentování ve firmě — kdy testovat, jak dlouho test nechat běžet, jak vyhodnotit výsledek — a reviduje analýzy s vysokými sázkami, než se dostanou k vedení.
Kvalita dat a definice metrik: Spravuje firemní katalog metrik a proces změny definice a zviditelňuje datové incidenty, každý s vlastníkem a opravou.
Komunikace zjištění: Pravidelně prezentuje vedení, nastavuje standard, jak se analýzy ve firmě sepisují, a zajišťuje, aby se důležitá zjištění dostala ke všem, kterých se týkají.
Dopad na byznys a partnerství: S vedoucími funkcí spolupracuje na cílech a plánech a zajišťuje, aby analytická kapacita šla tam, kde změní nejdůležitější rozhodnutí.
Mentoring a rozvoj týmu: Rozvíjí několik analytiků směrem k další úrovni, utváří nábor a pohovory do analytického týmu a buduje zaškolení a dokumentaci, o které se noví analytici opírají.

Principal datový analytik: co se očekává

Rozhoduje, jak se firma měří, a odpovídá za důvěru, kterou vedení vkládá do jejích čísel. Klíčové metriky firmy, její přístup k experimentům a analytická strategie na několik dalších let.

Formulace problému: Pojmenovává otázky, které by si vedení mělo o byznysu klást, a zajišťuje, aby firma měla data k jejich zodpovězení dřív, než se stanou naléhavými.
Dotazování a datové modelování: Spolu s vedením vývoje utváří celkovou datovou architekturu a volí, kam má analytika investovat, aby odpovědi na nejdůležitější otázky zůstaly levné a rychlé.
Statistická preciznost a experimenty: Rozhoduje, jak firma zachází s důkazy u svých největších rozhodnutí, vyvažuje preciznost a rychlost a je posledním recenzentem analýz, které mění strategii.
Kvalita dat a definice metrik: Odpovídá za důvěryhodnost čísel, která se reportují vedení, investorům nebo představenstvu, a buduje kontroly, které je s růstem firmy udrží konzistentní.
Komunikace zjištění: Utváří, jak firma mluví o svých výsledcích, od porad vedení po zprávy pro investory, aby všichni četli stejná čísla stejně.
Dopad na byznys a partnerství: Spolupracuje s vedením na strategii a plánování a dokáže ukázat rozhodnutí na úrovni firmy za poslední rok — ceny, vstup na trh, velké investice — která se změnila díky analytické práci.
Mentoring a rozvoj týmu: Buduje datovou kulturu firmy, vychovává budoucí vedoucí analytiky a navrhuje, jak by měl být datový tým s růstem firmy uspořádán.

Jak tento žebříček přizpůsobit

Přizpůsobte ho velikosti analytického týmu
S jedním nebo dvěma analytiky pravděpodobně potřebujete tři úrovně, ne pět. Úrovně Lead a Principal vynechte, dokud někdo skutečně nestanovuje standardy napříč funkcemi, a přidejte je, až tato práce existuje — ne jako odměnu. Ve většině firem této velikosti patří rozsah úrovně Principal vedoucímu dat nebo analytiky (Head of Data, Head of Analytics); úroveň použijte, jen pokud chcete mít vedle tohoto člověka seniorního odborníka bez podřízených.
Rozhodněte, kam patří analytics engineering
Pokud máte analytics inženýry nebo datové inženýry, kteří odpovídají za modely, odlehčete řádek Dotazování a datové modelování a posilte řádek Formulace problému. Pokud vaši analytici spravují celý stack, nechte řádek, jak je, a uveďte v něm své nástroje.
Zohledněte, zda jsou analytici v týmech, nebo centrálně
Analytici začlenění do týmů se posuzují hlavně podle rozhodnutí týmu, ve kterém sedí; centrální tým spíš podle sdílených metrik a standardů. Váhu řádků Dopad na byznys a Kvalita dat nastavte podle toho, jak je váš tým skutečně uspořádán.
Sbírejte doklady ze skutečných analýz
Požádejte analytiky, aby ke každému tvrzení v sebehodnocení připojili odkazy na výstupy, dashboardy a modely a k tomu rozhodnutí, ke kterému každý z nich přispěl. Z check-inů se tak stane rozhovor o skutečné práci místo výčtu naučených nástrojů.

Časté dotazy

Otázky k tomuto žebříčku

Jaký je v kariérním žebříčku rozdíl mezi datovým analytikem a data scientistem?

Datový analytik pomáhá lidem rozhodovat se tím, že hledá, ověřuje a vysvětluje, co říkají data. Data scientist většinou staví statistické modely nebo modely strojového učení, které se stávají součástí produktu nebo provozu. V menších firmách se role překrývají, ale rostou jiným směrem, proto jim dejte samostatné žebříčky nebo samostatné dráhy. V některých firmách je „data scientist“ prostě titul pro analytiky, kteří se soustředí na experimenty.

Kolik úrovní by měl mít kariérní žebříček datového analytika?

Pro firmu s 20 až 200 lidmi tři až pět. Většina malých týmů potřebuje úrovně Junior, Medior a Senior; Lead a Principal dávají smysl, až když analytika slouží několika funkcím a někdo pro všechny z nich stanovuje standardy.

Potřebuje senior datový analytik Python, nebo stačí SQL?

Tento žebříček úrovně záměrně neváže na jazyky. Mnoho výborných seniorních analytiků pracuje převážně v SQL a BI nástroji. Úrovně odlišuje kvalita otázek, preciznost analýzy a rozhodnutí, která mění — požadavek na nástroj přidejte, jen pokud se bez něj váš tým opravdu neobejde.

Jak doložit dopad datového analytika v návrhu na povýšení?

Ukazujte na rozhodnutí, ne na dashboardy. Ke každé kompetenci cílové úrovně uveďte dvě nebo tři analýzy s otázkou, metodou, doporučením a tím, co se stalo potom. Stakeholder, který potvrdí, že se rozhodnutí změnilo, je silnějším dokladem než počet vytvořených reportů.

Může datový analytik dál růst, aniž by se stal vedoucím analytiky?

Ano. Lead a Principal jsou odborné úrovně: rostou v rozsahu a vlivu na to, jak firma využívá data, bez vedení lidí. Vedení analytického týmu je samostatná práce s vlastním žebříčkem a přechod do ní by měl být změnou dráhy, ne jedinou cestou nahoru.

Vytvořte tento kariérní žebříček v LadderKitu – zdarma

Nastavte jeho úrovně a dovednosti pro svůj tým, hodnoťte podle nich lidi v check-inech a rozhodujte o povýšení konzistentně.

Začněte zdarma Vyzkoušet demo Bez registrace