Sa Paguhet një Data Analyst dhe Si të Ndërtosh Portofolin e Parë?

Data Analyst mbledh, pastron, analizon dhe vizualizon të dhëna për t’iu përgjigjur pyetjeve të biznesit.

Detyrat mund të përfshijnë:

• Mbledhjen e të dhënave
• Data cleaning
• Kontrollin e cilësisë
• Analizën statistikore
• Shkrimin e SQL queries
• Krijimin e dashboards
• Përgatitjen e raporteve
• Identifikimin e trends
• Prezantimin e rezultateve
• Dhënien e rekomandimeve
  
  

Për shembull, një Data Analyst mund të analizojë:

• Pse kanë rënë shitjet?
• Cilat produkte sjellin më shumë fitim?
• Cilët klientë kanë më shumë mundësi të largohen?
• Cila fushatë marketingu ka performuar më mirë?
• Në cilat rajone duhet të investojë kompania?
• Sa kohë nevojitet për të përfunduar një proces?
  
  

Qëllimi nuk është vetëm krijimi i charts. Analisti duhet të shpjegojë çfarë tregojnë të dhënat dhe çfarë veprimi duhet të ndërmarrë biznesi.

Nuk ekziston një pagë e vetme për të gjithë Data Analyst-ët. Edhe burimet online japin intervale të ndryshme, prandaj të dhënat duhet të përdoren vetëm si orientim.

Sipas të dhënave të Paylab të aksesueshme në tetor 2026, 80% e personave në pozicionin Data Analyst në Shqipëri raportohen brenda intervalit prej rreth 34,100–104,571 lekësh bruto në muaj.

Glassdoor jep një vlerësim më të lartë për Tiranën, me një interval total të raportuar prej rreth 83,000–123,000 lekësh në muaj dhe pagë bazë rreth 80,000–120,000 lekë në muaj.

Diferenca mes burimeve mund të vijë nga:

• Numri i vogël i raportimeve
• Kompanitë e përfshira
• Eksperienca e kandidatëve
• Paga bazë kundrejt total compensation
• Industria
• Raportimi bruto ose neto
• Koha kur janë dërguar të dhënat
  
  

Për këtë arsye, intervalet online nuk duhet të trajtohen si garanci. Kontrollo gjithmonë shpalljet aktuale, kërko intervalin bruto ose neto dhe krahaso përgjegjësitë reale të pozicionit.

Junior Data Analyst

Në nivelin fillestar, përgjegjësitë zakonisht përfshijnë:

• Data cleaning
• Excel reports
• SQL queries bazë
• Përditësimin e dashboards
• Kontrollin e të dhënave
• Mbështetjen e analistëve të tjerë
  
  

Një junior zakonisht pozicionohet në pjesën e poshtme ose të mesme të intervalit të tregut, në varësi të projekteve dhe aftësive.

Mid-Level Data Analyst

Një analist me eksperiencë mund të:

• Menaxhojë analiza të plota
• Ndërtojë data models
• Krijojë dashboards të avancuara
• Komunikojë me stakeholders
• Automatizojë raporte
• Japë rekomandime biznesi
  
  

Paga rritet kur kandidati nuk kufizohet te raportimi, por ndihmon në vendimmarrje.

Senior Data Analyst

Senior Data Analyst mund të:

• Drejtojë projekte analitike
• Përcaktojë KPIs
• Kontrollojë cilësinë e analizave
• Mentorojë ekipin
• Punojë me menaxhmentin
• Ndikojë në strategjinë e kompanisë
  
  

Në këtë nivel, njohuritë e industrisë dhe komunikimi mund të jenë po aq të rëndësishme sa aftësitë teknike.

Pagat ndryshojnë ndjeshëm sipas shtetit dhe kostos së jetesës.

Një vlerësim për tregun europian i publikuar nga IE University vendos shumë pozicione mid-level Data Analyst rreth 40,000–60,000 euro ose më shumë në vit, me intervale më të larta në disa qytete të Evropës Perëndimore dhe Veriore.

Në Gjermani, disa analiza të tregut në vitin 2026 vendosin rolet fillestare afërsisht në intervalin 40,000–52,000 euro bruto në vit, por paga ndryshon sipas qytetit, kompanisë dhe industrisë.

Për punën remote, vendndodhja e kompanisë nuk garanton automatikisht pagën e atij shteti. Kompanitë mund ta përshtatin pagesën sipas vendit të punonjësit, kontratës dhe eksperiencës.

Çfarë ndikon te paga?

Eksperienca

Eksperienca me probleme dhe të dhëna reale rrit vlerën e kandidatit.

Aftësitë teknike

Kërkohen zakonisht:

• Excel
• SQL
• Power BI ose Tableau
• Statistics
• Data cleaning
• Python ose R për disa pozicione
  
  

Industria

Finance, technology, telecommunications dhe consulting mund të kenë buxhete të ndryshme nga organizatat më të vogla.

Njohuritë e biznesit

Analisti që kupton sales, finance, marketing ose operations mund të japë rekomandime më të dobishme.

Anglishtja

Anglishtja ndihmon në përdorimin e dokumentacionit, komunikimin me ekipe ndërkombëtare dhe aplikimin për role remote.

Komunikimi

Aftësia për ta kthyer analizën në një shpjegim të qartë mund të ndikojë drejtpërdrejt te avancimi profesional.

Excel ose Google Sheets

Duhet të mësosh:

• Formulas
• Sorting dhe filtering
• Conditional formatting
• Pivot Tables
• Charts
• Lookup functions
• Data cleaning
• Power Query basics
  
  

SQL

SQL përdoret për marrjen dhe analizimin e të dhënave nga databazat.

Konceptet kryesore janë:

• SELECT
• WHERE
• GROUP BY
• ORDER BY
• JOIN
• Aggregate functions
• Subqueries
• Common Table Expressions
• Window functions
  
  

Power BI ose Tableau

Këto mjete përdoren për dashboards dhe Data Visualization.

Microsoft e përshkruan Power BI si një grup shërbimesh dhe mjetesh për lidhjen, pastrimin, modelimin dhe vizualizimin e të dhënave.

Statistics

Një fillestar duhet të kuptojë:

• Mean dhe median
• Percentage
• Distribution
• Correlation
• Variance
• Sample
• Outliers
• Basic probability
  
  

Python

Python nuk është i detyrueshëm për çdo pozicion fillestar, por bëhet i dobishëm për:

• Data cleaning
• Automation
• Analiza më të mëdha
• Pandas
• NumPy
• Matplotlib
• Jupyter Notebook
  
  

Business Communication

Duhet të jesh në gjendje të shpjegosh:

• Problemin
• Metodën
• Gjetjet
• Kufizimet
• Rekomandimin
• Ndikimin e mundshëm

Portofoli është një përzgjedhje projektesh që tregon se mund të analizosh të dhëna nga fillimi deri në fund.

Ai duhet të demonstrojë:

• Formulimin e pyetjes
• Data cleaning
• Analizën
• SQL
• Vizualizimin
• Business insights
• Dokumentimin
• Komunikimin
  
  

Portofoli nuk duhet të jetë vetëm një folder me charts. Çdo projekt duhet të tregojë procesin dhe arsyetimin.

Për një fillestar mjaftojnë tre deri në pesë projekte cilësore.

Hapi 1 – Zgjidh një pyetje biznesi

Mos fillo me dataset-in. Fillo me një problem.

Shembuj:

• Cilat produkte sjellin më shumë fitim?
• Pse po humbasim klientë?
• Kur ndodhin më shumë shitje?
• Cilat fushata sjellin më shumë conversions?
• Cilat kategori kanë kosto të lartë?
  
  

Hapi 2 – Zgjidh të dhënat

Mund të përdorësh:

• Open data portals
• Public datasets
• Kaggle datasets
• Të dhëna të krijuara për praktikë
• Të dhëna personale të anonimizuara
  
  

Kontrollo licencën dhe mos publiko informacione personale ose konfidenciale.

Hapi 3 – Pastro të dhënat

Kontrollo:

• Missing values
• Duplicates
• Data types
• Outliers
• Date formats
• Category names
• Incorrect values
  
  

Dokumento çdo ndryshim që bën.

Hapi 4 – Analizo

Përdor Excel, SQL ose Python për të gjetur trends, krahasime dhe marrëdhënie.

Hapi 5 – Vizualizo

Zgjidh charts sipas pyetjes. Mos përdor një grafik vetëm sepse duket bukur.

Hapi 6 – Jep rekomandime

Përfundo projektin me tri deri në pesë gjetje dhe veprime konkrete.

1. Sales Dashboard

Analizo:

• Revenue
• Profit
• Products
• Regions
• Monthly trends
• Sales targets
  
  

Përdor Excel ose Power BI.

2. Customer Churn Analysis

Analizo cilët klientë largohen dhe cilët faktorë lidhen me largimin.

Përfshi segmentim, charts dhe rekomandime për retention.

3. Marketing Campaign Analysis

Krahaso:

• Impressions
• Clicks
• Conversions
• Cost per click
• Conversion rate
• Return on Ad Spend
  
  

4. HR Analytics

Analizo:

• Employee turnover
• Departments
• Absences
• Satisfaction
• Hiring
• Performance indicators
  
  

Përdor vetëm të dhëna publike ose të krijuara për praktikë.

5. Financial Performance Analysis

Krijo një raport me:

• Revenue
• Expenses
• Profit
• Budget variance
• Monthly performance
• Forecast bazë
  
  

Projektet duhet të tregojnë larmi, por jo domosdoshmërisht çdo mjet në të njëjtën analizë.

Si ta strukturosh një case study?

Për çdo projekt përfshi:

1. Titullin

Përdor një titull që shpjegon problemin, jo vetëm emrin e dataset-it.

2. Pyetjen

Shpjego çfarë dëshiron të zbulojë analiza.

3. Të dhënat

Përmend burimin, madhësinë, kolonat dhe kufizimet.

4. Mjetet

Për shembull:

• Excel
• SQL
• Power BI
• Python
  
  

5. Procesin

Shpjego si i pastrove dhe analizove të dhënat.

6. Rezultatet

Paraqit gjetjet kryesore me charts të qarta.

7. Rekomandimet

Trego çfarë mund të bëjë biznesi bazuar në analizën tënde.

8. Kufizimet

GitHub

Përdore për:

• SQL files
• Python notebooks
• Documentation
• Dataset information
• README
  
  

Power BI ose Tableau Public

Publiko dashboards vetëm kur të dhënat janë të sigurta për t’u bërë publike.

Website personal

Mund të krijosh një faqe me prezantimin, projektet, CV-në dhe kontaktin. GitHub Pages mund të përdoret për të publikuar një website direkt nga një repository.

LinkedIn

Publiko përmbledhje të projekteve dhe shpjego problemin, gjetjen kryesore dhe rekomandimin.

Mos dërgo vetëm linkun e dashboard-it. Jep kontekst që punëdhënësi të kuptojë aftësinë tënde analitike.

Muaji 1 – Excel dhe bazat e analizës

• Formulas
• Data cleaning
• Pivot Tables
• Charts
• Projekt i vogël
  
  

Muaji 2 – SQL

• Queries
• Filtering
• Aggregation
• Joins
• Projekt me databazë
  
  

Muaji 3 – Statistics dhe Business Analysis

• Metrikat bazë
• Correlation
• Outliers
• KPIs
• Business questions
  
  

Muaji 4 – Power BI ose Tableau

• Data model
• Relationships
• Visualizations
• Dashboard design
• Storytelling
  
  

Muaji 5 – Python

• Pandas
• Data cleaning
• Exploratory Data Analysis
• Jupyter Notebook
• Automation basics
  
  

Muaji 6 – Portofoli dhe punësimi

• Tre deri në pesë projekte
• GitHub
• LinkedIn
• CV
• SQL practice
• Interview preparation

Projekte pa pyetje biznesi

Dashboard-i duhet të zgjidhë një problem, jo vetëm të shfaqë të dhëna.

Shumë charts

Zgjidh vetëm vizualizimet që ndihmojnë vendimmarrjen.

Kopjimi i projekteve

Ndrysho pyetjen, analizën dhe mënyrën e prezantimit.

Mungesa e Data Cleaning

Trego çfarë problemesh kishte dataset-i dhe si i zgjidhe.

Rekomandime pa prova

Ndaj faktet nga supozimet dhe përmend kufizimet.

Publikimi i të dhënave konfidenciale

Anonimizo ose përdor vetëm të dhëna publike.

Përdorimi i çdo mjeti

Një projekt i qartë me Excel dhe SQL mund të jetë më i vlefshëm se një projekt i komplikuar pa përfundim.

Si të përgatitesh për punë?

Në CV përmend:

• Mjetet
• Projektet
• Problemet e analizuara
• Rezultatet
• Linkun e portofolit
  
  

Për intervistë praktiko:

• SQL queries
• Excel
• Interpretimin e charts
• Data cleaning
• Business cases
• Prezantimin e një projekti
  
  

Mos thuaj vetëm “kam përdorur Power BI”. Shpjego çfarë problemi zgjidhe dhe si ndikoi analiza te vendimi.

Role fillestare

• Junior Data Analyst
• Reporting Analyst
• Business Intelligence Intern
• Marketing Data Analyst
• Operations Analyst
• Junior Business Analyst
• Data Quality Analyst
  
  

Role të avancuara

• Data Analyst
• Senior Data Analyst
• Business Intelligence Analyst
• Product Analyst
• Financial Analyst
• Analytics Consultant
• Analytics Manager
• Data Scientist

Në DTI, programi Data Analytics është ndërtuar për t’i ndihmuar studentët të kalojnë nga bazat te analizimi dhe prezantimi i të dhënave.

Studentët mësojnë Excel, SQL, Power BI, Statistics dhe konceptet e analizës së biznesit. Më pas i zbatojnë njohuritë në dashboards, raporte dhe projekte praktike.

Përmes live sessions, mentorimit dhe projekteve reale, studentët zhvillojnë portofolin dhe aftësinë për t’i shpjeguar gjetjet në mënyrë profesionale.

Qëllimi nuk është vetëm të mësohet një program, por të zhvillohet procesi i plotë: nga pyetja dhe pastrimi i të dhënave deri te rekomandimi final.

A duhet të di programim?

Jo për të filluar. Excel, SQL dhe Power BI mund të jenë të mjaftueshme për shumë role fillestare. Python mund të mësohet më vonë.

Sa projekte duhen në portofol?

Tre deri në pesë projekte cilësore janë një fillim i mirë.

A duhet të kem diplomë?

Kërkesat ndryshojnë. Një diplomë mund të ndihmojë, por projektet dhe aftësitë praktike janë gjithashtu të rëndësishme.

Power BI apo Tableau?

Të dyja janë të vlefshme. Zgjidh njërin për fillim dhe përqendrohu te Data Modeling dhe Storytelling.

A duhet të publikoj dataset-in?

Vetëm nëse licenca e lejon dhe të dhënat nuk përmbajnë informacion konfidencial.

A mund të gjej punë remote?

Po, por konkurrenca është më e madhe. Anglishtja, portofoli dhe komunikimi bëhen veçanërisht të rëndësishme.

A garantojnë burimet online pagën?

Jo. Ato janë vlerësime të bazuara në raportime dhe mund të kenë mostra të kufizuara. Oferta reale duhet vlerësuar sipas kontratës dhe përgjegjësive.

Mëso të pastrosh, analizosh dhe vizualizosh të dhëna me Excel, SQL dhe Power BI. Me projekte praktike dhe mentorim profesional, mund të ndërtosh portofolin dhe të përgatitesh për role fillestare si Data Analyst.

Dëshiron të mësosh Data Analytics me live sessions, mentorim, projekte praktike dhe akses lifetime? Shiko programin përkatës në DTI — Learn What Matters.