Skabelon til karrierestige

Skabelon til karrierestige for dataanalytikere

Fem niveauer fra junior- til principal-analytiker og syv kompetencer – fra at formulere spørgsmål til at ændre beslutninger.

Start gratis Download som CSV

Gratis abonnement · Intet kreditkort nødvendigt

Denne karrierestige er skrevet til virksomheder med cirka 20–200 medarbejdere, hvor analytikerne sidder tæt på forretningen: En håndfuld analytikere, nogle gange kun én, besvarer spørgsmål fra produkt, marketing, salg og ledelse, ofte på en datastak, som de også selv er med til at bygge. Den beskriver fem niveauer, fra en person, der lærer at skrive pålidelige forespørgsler, til en person, der bestemmer, hvordan hele virksomheden måler sig selv. Det øverste niveau, Principal Data Analyst, er et specialistniveau; at lede analyseteamet er et separat job.

Hvert niveau er defineret ud fra, hvad en analytiker gør, og hvor langt arbejdet rækker, ikke ud fra de værktøjer, personen kender, eller antal års erfaring. Læs en række i kompetencematrixen fra venstre mod højre for at se én forventning vokse; læs afsnittet om et niveau for at se alt, hvad der forventes på det niveau. Brug den til at forklare, hvad det næste niveau betyder, til selvevalueringer og check-ins og til at gøre forfremmelsessager sammenlignelige.

Tilpas den, før du offentliggør den. Erstat de generelle formuleringer med jeres egen datastak og jeres egne målinger, fjern de niveauer, du ikke har brug for endnu, og beslut, hvor analytics engineering slutter, og analysen begynder i jeres virksomhed.

Niveauerne i overblik

Junior Data Analyst
Besvarer veldefinerede spørgsmål med pålidelige forespørgsler og klare grafer, med review fra en mere erfaren analytiker.
Omfang
Enkeltstående forespørgsler og tilbagevendende rapporter for ét team, som regel afgrænset af en anden.
Data Analyst
Ejer analyser fra start til slut, fra et vagt spørgsmål til en anbefaling, og er den foretrukne analytiker for ét område.
Omfang
Ét forretningsområde, fx onboarding, prissætning eller salgstragten, med dets dashboards og tilbagevendende spørgsmål.
Senior Data Analyst
Leder analyserne bag vigtige beslutninger og hæver kvaliteten af analysearbejdet omkring sig.
Omfang
Flere forretningsområder eller ét stort initiativ i virksomheden og de metrikdefinitioner, de afhænger af.
Lead Data Analyst
Former, hvordan virksomheden bruger data på tværs af funktioner, og sætter de standarder, andre analytikere arbejder efter.
Omfang
Analysearbejde på tværs af flere funktioner, herunder fælles målinger, datamodeller og analyse-roadmappen.
Principal Data Analyst
Bestemmer, hvordan virksomheden måler sig selv, og står til ansvar for den tillid, ledelsen har til tallene.
Omfang
Virksomhedens centrale målinger, dens tilgang til eksperimenter og analysestrategien for de næste par år.

Kompetencematrix

Hver række er en kompetence og hver kolonne et niveau. Læs en række fra venstre mod højre for at se hvordan forventningerne vokser.

Hvad hver kompetence betyder

Problemformulering: At omsætte en interessents spørgsmål til et, som data kan besvare, og som en beslutning kan følge af.
Forespørgsler og datamodellering: At få korrekte data ud af datawarehouset og forme dem, så andre kan genbruge dem.
Statistisk stringens og eksperimenter: At drage konklusioner, der holder, og vide, hvor sikker virksomheden kan være på dem.
Datakvalitet og metrikdefinitioner: At sikre, at tallene er rigtige, betyder det samme overalt og nyder tillid.
Formidling af indsigter: At forklare, hvad data viser, så folk forstår det og handler på det.
Forretningseffekt og partnerskab: At forstå, hvordan forretningen fungerer, og sikre, at analyser ændrer, hvad folk gør.
Mentorskab og teamudvikling: At hjælpe andre analytikere og databrugere med at blive bedre og gøre teamet stærkere.

Data Analyst: forventninger pr. kompetence og niveau
Kompetence	Junior Data Analyst	Data Analyst	Senior Data Analyst	Lead Data Analyst	Principal Data Analyst
Problemformulering	Gengiver hver forespørgsel skriftligt, før arbejdet starter, bekræfter periode, segment og definition og spørger, hvilken beslutning svaret skal understøtte.	Omsætter vage spørgsmål som »hvorfor stiger churn?« til en kort analyseplan med hypoteser og siger fra, når en forespørgsel ikke ville ændre nogen beslutning.	Omformulerer interessenternes spørgsmål med udgangspunkt i den beslutning, der faktisk skal træffes, og foreslår analyser, ingen har bedt om, når de ville ændre en prioritet.	Fastlægger hvert kvartal analysedagsordenen med funktionslederne, vælger de få spørgsmål, der er mest værd at besvare, og forklarer, hvad der ikke bliver analyseret, og hvorfor.	Identificerer de spørgsmål, ledelsen burde stille om forretningen, og sørger for, at virksomheden har data til at besvare dem, før de bliver akutte.
Forespørgsler og datamodellering	Skriver læsbar SQL med joins, aggregeringer og vinduesfunktioner, tjekker antal rækker og dubletter, før et resultat bliver taget for gode varer, og beder om review på ukendte tabeller.	Kender tabellerne i sit område og deres særheder, bygger genbrugelige modeller eller views i stedet for at kopiere forespørgsler og dokumenterer logikken bag hvert dashboard, de ejer.	Designer datamodellerne for et forretningsområde, så almindelige spørgsmål kræver simple forespørgsler, reviewer andre analytikeres logik og arbejder sammen med udviklerne om at rette tracking ved kilden.	Fastlægger modelleringskonventioner på tværs af analysekodebasen, beslutter, hvad der hører hjemme i fælles modeller frem for enkeltstående analyser, og planlægger arbejdet med at udfase skrøbelige pipelines.	Former den samlede dataarkitektur sammen med udviklingsledelsen og vælger, hvor analysearbejdet skal investere, så de vigtigste spørgsmål forbliver billige og hurtige at besvare.
Statistisk stringens og eksperimenter	Sammenligner lige med lige, noterer stikprøvestørrelse og sæsonudsving i hvert resultat og gør opmærksom på, når en forskel kan være støj, i stedet for at præsentere den som et fund.	Analyserer A/B-tests fra start til slut, inklusive stikprøvestørrelse, varighed og guardrail-målinger, og forklarer sikkerhed og usikkerhed i et letforståeligt sprog.	Vælger en forsvarlig metode, når et randomiseret forsøg er umuligt – difference-in-differences mod et sammenligneligt segment, en afbrudt tidsserie eller en matchet sammenligning – og redegør åbent for dens antagelser og begrænsninger.	Fastlægger virksomhedens standarder for eksperimenter – hvornår der skal testes, hvor længe, og hvordan et resultat afgøres – og reviewer analyser med meget på spil, før de når ledelsen.	Bestemmer, hvordan virksomheden håndterer evidens i sine største beslutninger, afvejer stringens mod hastighed og er sidste reviewer på analyser, der ændrer strategien.
Datakvalitet og metrikdefinitioner	Afstemmer nye tal mod en eksisterende kilde, før de deles, og melder fejlbehæftede data eller mistænkelige fald til ejeren samme dag.	Ejer nøjagtigheden af dashboardene i sit område, tilføjer simple tjek, der fanger fejlbehæftede data, før interessenterne gør det, og skriver alle de metrikdefinitioner ned, de indfører.	Løser modstridende versioner af den samme metrik mellem teams, aftaler én definition med dem, der bruger den, og udfaser de rapporter, der modsiger den.	Driver virksomhedens metrikkatalog og processen for at ændre en definition og gør datahændelser synlige med en ejer og en løsning.	Står til ansvar for troværdigheden af de tal, der rapporteres til ledelsen, investorerne eller bestyrelsen, og opbygger de kontroller, der holder dem konsistente, efterhånden som virksomheden vokser.
Formidling af indsigter	Præsenterer resultater med en klar graf, en konklusion på én linje og de forbehold, der betyder noget, og holder dashboards mærket, så andre kan læse dem uden hjælp.	Skriver korte analyseopsummeringer, der starter med svaret og anbefalingen, tilpasser detaljeniveauet til målgruppen og bygger dashboards, der besvarer et bestemt sæt spørgsmål.	Fortæller historien bag komplekse analyser til ledende interessenter, håndterer roligt indvendinger mod tallene og omsætter fund til forslag, teamet kan handle på.	Præsenterer jævnligt for ledelsen, sætter standarden for, hvordan analyser skrives op i hele virksomheden, og sørger for, at vigtige fund når alle, de berører.	Former, hvordan virksomheden taler om sine resultater, fra ledelsesgennemgange til opdateringer til investorer, så alle læser de samme tal på samme måde.
Forretningseffekt og partnerskab	Lærer, hvordan det team, de støtter, tjener penge eller skaber værdi, og følger op efter en forespørgsel for at finde ud af, om svaret blev brugt.	Er en betroet partner for ét team, deltager i dets planlægning og kan nævne beslutninger i det seneste kvartal, der ændrede sig på grund af deres arbejde.	Påvirker prioriteterne på tværs af flere teams, forbinder analyser med omsætning, omkostninger eller fastholdelse og stopper arbejde, der ikke længere er værd at lave.	Samarbejder med funktionslederne om mål og måltal og sørger for, at analysekapaciteten går dertil, hvor den ændrer de vigtigste beslutninger.	Arbejder sammen med ledelsen om strategi og planlægning og kan pege på beslutninger på virksomhedsniveau i det seneste år – prissætning, nye markeder, store investeringer – der ændrede sig på grund af analysearbejde.
Mentorskab og teamudvikling	Beder om feedback på sine forespørgsler og analysenotater, bruger den og deler nyttige tricks og faldgruber med teamet.	Reviewer andre analytikeres arbejde med konkrete kommentarer, hjælper nye kolleger med at lære dataene i sit område at kende og besvarer kollegernes dataspørgsmål tålmodigt.	Er mentor for junioranalytikere, holder code- og analysereviews og lærer ikke-analytikere selv at besvare enkle spørgsmål med selvbetjeningsværktøjer.	Udvikler flere analytikere mod det næste niveau, former rekruttering og jobsamtaler for analyseteamet og opbygger den onboarding og dokumentation, nye analytikere støtter sig til.	Opbygger virksomhedens datakultur, udvikler fremtidige ledere inden for analyse og argumenterer for, hvordan datateamet bør organiseres, efterhånden som virksomheden vokser.

Rul tabellen sidelæns for at se alle niveauer.

Download som CSV Kan åbnes i Excel, Google Sheets eller Numbers.

Junior Data Analyst: hvad der forventes

Besvarer veldefinerede spørgsmål med pålidelige forespørgsler og klare grafer, med review fra en mere erfaren analytiker. Enkeltstående forespørgsler og tilbagevendende rapporter for ét team, som regel afgrænset af en anden.

Problemformulering: Gengiver hver forespørgsel skriftligt, før arbejdet starter, bekræfter periode, segment og definition og spørger, hvilken beslutning svaret skal understøtte.
Forespørgsler og datamodellering: Skriver læsbar SQL med joins, aggregeringer og vinduesfunktioner, tjekker antal rækker og dubletter, før et resultat bliver taget for gode varer, og beder om review på ukendte tabeller.
Statistisk stringens og eksperimenter: Sammenligner lige med lige, noterer stikprøvestørrelse og sæsonudsving i hvert resultat og gør opmærksom på, når en forskel kan være støj, i stedet for at præsentere den som et fund.
Datakvalitet og metrikdefinitioner: Afstemmer nye tal mod en eksisterende kilde, før de deles, og melder fejlbehæftede data eller mistænkelige fald til ejeren samme dag.
Formidling af indsigter: Præsenterer resultater med en klar graf, en konklusion på én linje og de forbehold, der betyder noget, og holder dashboards mærket, så andre kan læse dem uden hjælp.
Forretningseffekt og partnerskab: Lærer, hvordan det team, de støtter, tjener penge eller skaber værdi, og følger op efter en forespørgsel for at finde ud af, om svaret blev brugt.
Mentorskab og teamudvikling: Beder om feedback på sine forespørgsler og analysenotater, bruger den og deler nyttige tricks og faldgruber med teamet.

Data Analyst: hvad der forventes

Ejer analyser fra start til slut, fra et vagt spørgsmål til en anbefaling, og er den foretrukne analytiker for ét område. Ét forretningsområde, fx onboarding, prissætning eller salgstragten, med dets dashboards og tilbagevendende spørgsmål.

Problemformulering: Omsætter vage spørgsmål som »hvorfor stiger churn?« til en kort analyseplan med hypoteser og siger fra, når en forespørgsel ikke ville ændre nogen beslutning.
Forespørgsler og datamodellering: Kender tabellerne i sit område og deres særheder, bygger genbrugelige modeller eller views i stedet for at kopiere forespørgsler og dokumenterer logikken bag hvert dashboard, de ejer.
Statistisk stringens og eksperimenter: Analyserer A/B-tests fra start til slut, inklusive stikprøvestørrelse, varighed og guardrail-målinger, og forklarer sikkerhed og usikkerhed i et letforståeligt sprog.
Datakvalitet og metrikdefinitioner: Ejer nøjagtigheden af dashboardene i sit område, tilføjer simple tjek, der fanger fejlbehæftede data, før interessenterne gør det, og skriver alle de metrikdefinitioner ned, de indfører.
Formidling af indsigter: Skriver korte analyseopsummeringer, der starter med svaret og anbefalingen, tilpasser detaljeniveauet til målgruppen og bygger dashboards, der besvarer et bestemt sæt spørgsmål.
Forretningseffekt og partnerskab: Er en betroet partner for ét team, deltager i dets planlægning og kan nævne beslutninger i det seneste kvartal, der ændrede sig på grund af deres arbejde.
Mentorskab og teamudvikling: Reviewer andre analytikeres arbejde med konkrete kommentarer, hjælper nye kolleger med at lære dataene i sit område at kende og besvarer kollegernes dataspørgsmål tålmodigt.

Senior Data Analyst: hvad der forventes

Leder analyserne bag vigtige beslutninger og hæver kvaliteten af analysearbejdet omkring sig. Flere forretningsområder eller ét stort initiativ i virksomheden og de metrikdefinitioner, de afhænger af.

Problemformulering: Omformulerer interessenternes spørgsmål med udgangspunkt i den beslutning, der faktisk skal træffes, og foreslår analyser, ingen har bedt om, når de ville ændre en prioritet.
Forespørgsler og datamodellering: Designer datamodellerne for et forretningsområde, så almindelige spørgsmål kræver simple forespørgsler, reviewer andre analytikeres logik og arbejder sammen med udviklerne om at rette tracking ved kilden.
Statistisk stringens og eksperimenter: Vælger en forsvarlig metode, når et randomiseret forsøg er umuligt – difference-in-differences mod et sammenligneligt segment, en afbrudt tidsserie eller en matchet sammenligning – og redegør åbent for dens antagelser og begrænsninger.
Datakvalitet og metrikdefinitioner: Løser modstridende versioner af den samme metrik mellem teams, aftaler én definition med dem, der bruger den, og udfaser de rapporter, der modsiger den.
Formidling af indsigter: Fortæller historien bag komplekse analyser til ledende interessenter, håndterer roligt indvendinger mod tallene og omsætter fund til forslag, teamet kan handle på.
Forretningseffekt og partnerskab: Påvirker prioriteterne på tværs af flere teams, forbinder analyser med omsætning, omkostninger eller fastholdelse og stopper arbejde, der ikke længere er værd at lave.
Mentorskab og teamudvikling: Er mentor for junioranalytikere, holder code- og analysereviews og lærer ikke-analytikere selv at besvare enkle spørgsmål med selvbetjeningsværktøjer.

Lead Data Analyst: hvad der forventes

Former, hvordan virksomheden bruger data på tværs af funktioner, og sætter de standarder, andre analytikere arbejder efter. Analysearbejde på tværs af flere funktioner, herunder fælles målinger, datamodeller og analyse-roadmappen.

Problemformulering: Fastlægger hvert kvartal analysedagsordenen med funktionslederne, vælger de få spørgsmål, der er mest værd at besvare, og forklarer, hvad der ikke bliver analyseret, og hvorfor.
Forespørgsler og datamodellering: Fastlægger modelleringskonventioner på tværs af analysekodebasen, beslutter, hvad der hører hjemme i fælles modeller frem for enkeltstående analyser, og planlægger arbejdet med at udfase skrøbelige pipelines.
Statistisk stringens og eksperimenter: Fastlægger virksomhedens standarder for eksperimenter – hvornår der skal testes, hvor længe, og hvordan et resultat afgøres – og reviewer analyser med meget på spil, før de når ledelsen.
Datakvalitet og metrikdefinitioner: Driver virksomhedens metrikkatalog og processen for at ændre en definition og gør datahændelser synlige med en ejer og en løsning.
Formidling af indsigter: Præsenterer jævnligt for ledelsen, sætter standarden for, hvordan analyser skrives op i hele virksomheden, og sørger for, at vigtige fund når alle, de berører.
Forretningseffekt og partnerskab: Samarbejder med funktionslederne om mål og måltal og sørger for, at analysekapaciteten går dertil, hvor den ændrer de vigtigste beslutninger.
Mentorskab og teamudvikling: Udvikler flere analytikere mod det næste niveau, former rekruttering og jobsamtaler for analyseteamet og opbygger den onboarding og dokumentation, nye analytikere støtter sig til.

Principal Data Analyst: hvad der forventes

Bestemmer, hvordan virksomheden måler sig selv, og står til ansvar for den tillid, ledelsen har til tallene. Virksomhedens centrale målinger, dens tilgang til eksperimenter og analysestrategien for de næste par år.

Problemformulering: Identificerer de spørgsmål, ledelsen burde stille om forretningen, og sørger for, at virksomheden har data til at besvare dem, før de bliver akutte.
Forespørgsler og datamodellering: Former den samlede dataarkitektur sammen med udviklingsledelsen og vælger, hvor analysearbejdet skal investere, så de vigtigste spørgsmål forbliver billige og hurtige at besvare.
Statistisk stringens og eksperimenter: Bestemmer, hvordan virksomheden håndterer evidens i sine største beslutninger, afvejer stringens mod hastighed og er sidste reviewer på analyser, der ændrer strategien.
Datakvalitet og metrikdefinitioner: Står til ansvar for troværdigheden af de tal, der rapporteres til ledelsen, investorerne eller bestyrelsen, og opbygger de kontroller, der holder dem konsistente, efterhånden som virksomheden vokser.
Formidling af indsigter: Former, hvordan virksomheden taler om sine resultater, fra ledelsesgennemgange til opdateringer til investorer, så alle læser de samme tal på samme måde.
Forretningseffekt og partnerskab: Arbejder sammen med ledelsen om strategi og planlægning og kan pege på beslutninger på virksomhedsniveau i det seneste år – prissætning, nye markeder, store investeringer – der ændrede sig på grund af analysearbejde.
Mentorskab og teamudvikling: Opbygger virksomhedens datakultur, udvikler fremtidige ledere inden for analyse og argumenterer for, hvordan datateamet bør organiseres, efterhånden som virksomheden vokser.

Sådan tilpasser du stigen

Tilpas den til dit analyseteam
Med en eller to analytikere har du sandsynligvis brug for tre niveauer, ikke fem. Udelad Lead og Principal, indtil nogen reelt sætter standarder på tværs af funktioner, og tilføj dem, når det arbejde findes, ikke som belønning. I de fleste virksomheder af denne størrelse hører Principal-ansvarsområdet til en Head of Data eller Head of Analytics; brug kun niveauet, hvis du vil have en erfaren specialist ved siden af den person.
Beslut, hvor analytics engineering hører til
Har I analytics engineers eller data engineers, der ejer modellerne, så gør rækken Forespørgsler og datamodellering lettere og rækken Problemformulering tungere. Ejer jeres analytikere hele stakken, så behold rækken, som den er, og nævn jeres værktøjer i den.
Afspejl, om analytikerne er indlejrede eller centrale
Indlejrede analytikere vurderes mest ud fra beslutningerne i det team, de sidder i; et centralt team vurderes mere ud fra fælles målinger og standarder. Vægt rækkerne Forretningseffekt og Datakvalitet, så de passer til, hvordan jeres team faktisk er organiseret.
Indsaml evidens fra rigtige analyser
Bed analytikerne om at linke til de analysenotater, dashboards og modeller, der ligger bag hver påstand i deres selvevaluering, plus den beslutning, hver af dem understøttede. Så bliver check-ins en drøftelse af rigtigt arbejde i stedet for en liste over lærte værktøjer.

FAQ

Spørgsmål om denne stige

Hvad er forskellen på en dataanalytiker og en data scientist på en karrierestige?

En dataanalytiker hjælper folk med at træffe beslutninger ved at finde, tjekke og forklare, hvad data viser. En data scientist bygger primært statistiske modeller eller machine learning-modeller, der bliver en del af produktet eller driften. I mindre virksomheder overlapper rollerne, men de udvikler sig i forskellige retninger, så giv dem separate karrierestiger eller separate karrierespor. I nogle virksomheder er »data scientist« blot titlen på analytikere, der fokuserer på eksperimenter.

Hvor mange niveauer skal en karrierestige for dataanalytikere have?

For en virksomhed med 20–200 medarbejdere tre til fem. De fleste små teams har brug for Junior, Data Analyst og Senior; Lead og Principal giver først mening, når analysearbejdet betjener flere funktioner, og nogen sætter standarder for dem alle.

Skal en senior dataanalytiker kunne Python, eller er SQL nok?

Denne karrierestige knytter bevidst ikke niveauerne til sprog. Mange fremragende senioranalytikere arbejder primært i SQL og et BI-værktøj. Det, der adskiller niveauerne, er kvaliteten af spørgsmålene, stringensen i analysen og de beslutninger, den ændrer – tilføj kun et værktøjskrav, hvis jeres team virkelig ikke kan arbejde uden det.

Hvordan viser man en dataanalytikers effekt i en forfremmelsessag?

Peg på beslutninger, ikke dashboards. List for hver kompetence på målniveauet to eller tre analyser med spørgsmålet, metoden, anbefalingen og hvad der skete bagefter. En interessent, der bekræfter, at en beslutning blev ændret, er stærkere evidens end antallet af byggede rapporter.

Kan en dataanalytiker blive ved med at udvikle sig uden at blive analysechef?

Ja. Lead og Principal er specialistniveauer: De vokser i ansvarsområde og indflydelse på, hvordan virksomheden bruger data, uden at lede mennesker. At lede analyseteamet er et separat job med sin egen karrierestige, og et skift dertil bør være et skift af spor og ikke den eneste vej op.

Byg denne karrierestige i LadderKit – gratis

Sæt dens niveauer og færdigheder op til dit team, vurdér folk ud fra dem i check-ins, og hold beslutninger om forfremmelser konsistente.

Start gratis Udforsk demoen Ingen tilmelding