В 2025 году мы провели анализ информационной грамотности 339 специалистов из 11 ключевых сфер — от Госуправления до IT и Производства. На самом деле, это были два почти идентичных, но стратегически разных теста, использованных для отбора на наши курсы: один дляРазработки приложений в Qlik Sense (макс. 58 баллов), другой для Управления AI и ML-продуктами (макс. 66 баллов). Разница в максимальном балле не должна вас смущать — контент был практически одинаковым, но это «двойное» тестирование дало нам уникальную возможность взглянуть на проблему «цифрового разрыва» под разными углами. Результаты этих параллельных испытаний не просто выявили пробелы; они дали нам ряд парадоксальных, но крайне важных выводов.
Потрет Респондента
Опрос прошли граждане Казахстана уже практикующие и интересующиеся анализом данных.
Средний возраст респондента — 31 лет.
Смена лидера по мотивации: Если в 2023–2024 годах сотрудники Финансовых Институтовдемонстрировали наибольший интерес к обучению, то в 2025 году в авангарде оказался сектор Госуправления.
В прошлом году мы также проанализировали, как разные уровни навыков работы с данными влияют на доходы работников, и выявили, что 45% Казахстанцев отличают Медиану от Среднего и зарабатывают больше чем те, кто этого не делает.
Это умение понимать данные, анализировать их, а также правильно их интерпретировать и использовать. Навыки грамотной работы с данными критически важны для решения разных задач — необязательно из профессиональных сфер типа Data Science.
К примеру, оценивая уровень безработицы по областям Казахстана можно получить две разные картины. На карте слева цветом закодировали абсолютные величины, а справа — доля безработных от численности рабочей силы. Абсолютные значения не всегда информативны: для объективного сравнения и достоверной визуализации статистические данные нужно нормировать, например приводить к количеству рабочего населения.
Численность безработного населения в абсолютных величинах по областям Казахстана за 2 квартал 2024 года
Доля безработного населения от численности рабочей силы по областям Казахстана за 2 квартал 2024 года
Ваша образовательная стратегия должна меняться. И вот почему
1. Фундаментальный Предиктор Успеха: Академический IQ
Единственным стабильным и сильным фактором успеха, независимо от выбора курса (AI или Qlik), остается уровень академической подготовки.
Уровень Магистратуры и наличие высшего образования в целом коррелируют с более высокими баллами. Это подтверждает, что продвинутое академическое образование закладывает более прочную основу для аналитического и критического мышления, необходимого для работы как с данными, так и с AI.
Наличие Магистратуры и высшего образования обеспечивает наивысший средний результат и в тесте на статистические компетенции (7.2 из 12), что подтверждает: углубленное обучение — это прямая инвестиция в аналитическую силу.
2. Парадокс опыта: Чем выше стаж, тем ниже грамотность (Группа респондентов для курса по Qlik, По знаниям для BI-аналитики в Qlik Sense (курс Qlik))
Контринтуитивный вывод: в категории BI-грамотности мы обнаружили сильную обратную зависимость между стажем/возрастом и баллом по тесту.
Опыт vs. Актуальность: Средний балл у группы «Более 7 лет» (30.6) на 5.41 балла ниже, чем у группы «менее 1 года» (36).
Это означает, что наиболее опытный и, вероятно, высокооплачиваемый персонал является самым низкоквалифицированным в отношении современных данных.
Возрастной Разрыв: Группа «36+ лет» (31.7)отстает от молодежи «≤ 25 лет» (38.1)на 6.4 балла.
Зарплата — не Гарант: Группа с самой высокой зарплатой «более 810 000 тенге» (30.9) показала один из самых низких результатов.
Уровень должности не является гарантом актуальной грамотности данных.
3. География Данных: Где «Цифровой» IQ самый высокий, а где нас ждет неожиданный «разрыв»?
Уровень цифровой грамотности — это не универсальный показатель. Наше исследование четко показало, что в зависимости от отрасли требования к работе с данными и, соответственно, готовность к ним, кардинально различаются.
По базовым знаниям Управления продуктами (курс AI):
Лидеры: Самозанятые (44.3 балла) и специалисты IT (44.0 балла)демонстрируют наивысший уровень. Самозанятые вынуждены самостоятельно принимать решения на основе данных, а IT-специалисты работают с ними постоянно.
«Цифровой Разрыв»: Госуправление (38.5 балла)показало самый низкий средний балл среди основных групп, отстав от лидеров более чем на 5.8 балла. Учитывая критическую роль госсектора в принятии решений, здесь кроется потенциал для повышения квалификации, который может в корне изменить качество управления.
По знаниям для BI-аналитики в Qlik Sense (курс Qlik):
Критически Низкий Базовый Балл: Участники из сферы «Самозанятые» (28.1) и «Производство» (31.6)демонстрируют самые низкие средние баллы.
Для повышения общей грамотности данных в экономике, необходимо разработать адаптированные программы для секторов «Производство» и «Самозанятые» (где низкий базовый уровень) и обратить внимание на сектор «Госуправление».
4. Зарплата как сильный предиктор информационной грамотности
Группа респондентов по тесту управления AI- продуктами (Группа AI)
Чем выше диапазон заработной платы, тем выше средний балл по тесту на AI-грамотность. Эта зависимость является наиболее выраженной.
Значимый Рост: Средний балл в самых высокооплачиваемых группах почти на5.4 балла выше, чем в самой низкооплачиваемой группе.
Действие: Это подтверждает, что владение цифровой грамотностью имеет прямую корреляцию с финансовой успешностью и профессиональной востребованностью в данной выборке.
5. Дополнительный вывод по студентам (малая выборка студентов из 30 респондентов):
Студенты из Назарбаев Университета (NU) демонстрируют значительно более высокий средний балл (48.6), опережая остальные ВУЗы (например, Astana IT University со средним баллом 42.4).
6. Лучше всего отличать среднее от медианы… (Полная выборка из 339 респондентов):
Умеют специалисты из сферы Телеком (7.7), Профессиональные услуги (7.5) и Финансовые институты (7.4).
Секция содержит 12 вопросов и оценивает базовые статистические знания: правильный подбор мер центральной тенденции, методов агрегации данных и аналитики.
При этом, 57.23% респондентов имеют знания выше среднего в области статистики, что она 12.23% выше, чем в прошлом году!
Чем полезны базовые статистические знания?
На примере Среднего и Медианы
Представим: маркетинговая команда компании розничной торговли сегментирует свою клиентскую базу, чтобы нацелить людей с высоким уровнем дохода на премиальный продукт. Они используют средний доход покупателей для выявления потенциальных высокодоходных сегментов.
Полагаясь на средний доход, маркетологи могут переоценить покупательную способность определённых сегментов клиентов, особенно если небольшое количество клиентов с очень высоким доходом искажает средние показатели.
Это может привести к неправильному выбору маркетинговых стратегий, например, к предложению товаров премиум-класса более широкой аудитории, чем та, которая на самом деле способна их себе позволить, что приведёт к низкой эффективности кампании и напрасной трате маркетингового бюджета.
В этом случае правильным решением было бы выбрать медиану в качестве меры центральной тенденции.
Таким образом команда увидит, что ровно половина покупателей имеют доход выше медианного показателя, и это позволит распределить покупательную способность сегментов верным способом.
Datanomix.pro — команда признанных в мире экспертов
Мы помогаем компаниям разработать стратегию монетизации данных, внедрить единый BI инструмент, выстроить внутренний центр компетенций/офис управления данных для реализации стратегии с упором на цепочку создания ценности.
Один из наших клиентов получил подтвержденный экономический эффект на $86 млн