Аналитика. Это просто

Всем привет! Давно не писал по существу. За последние несколько недель провел множество собеседований на наши вакансии (можно увидеть выше). Что удивляет - качество подготовки кандидатов. Понятно, что, когда уже готово красивое резюме с 100500% профита и отрепетирован кейс, чувствуешь себя уже сильно увереннее. И все же, и к техническому этапу, и к продуктовому неплохо бы готовиться. Стыдно же, расписывая свои скиллы по питону на знать, как собрать простую сводную таблицу. Простой совет - не нужно недооценивать подготовку и рассчитывать, что будут спрашивать только по резюме. - Python - хотя бы спросите чатгпт, какие самые базовые функции нужно знать и потренируйтесь. Рассказ типа "я мало работаю на питоне" совсем не впечатляет и не интересен. - Подготовьтесь к конкретной компании и продукту, куда идете - посмотрите ролики с конференций, почитайте статьи на хабре, каналы аналитиков оттуда, набросайте простые метрики для продукта. И чатгпт тоже тут в помощь. Поищите в ютубе ролик Анатолия Карпова, где он про это рассказывает. На всю эту подготовку уйдет час-полтора. А шансы перед конкурентами вырастут кратно, вероятность успеха сильно возрастет. Просто поверьте на слово. Спасибо. И удачи в поисках.

__________ Сейчас в отпуске, поэтому переживаю за другие проблемы. Просто дарю актуальную бизнес-идею. Пожалуйста.

И туда же вакханалия, которая творится на ХХ - ИИ резюме против ИИ фильтров у рекрутеров, с массированной бомбардировкой откликами. Но у ХХ все зашибись, доходы-то растут, акционеры в восторге. А ожидания ценности - это ваши ожидания.

А вот тут статья, в красках описывающая наступивший дивный новый мир, в котором великий ИИ выкинул на улицу белковые ничтожества. Или не великий? Или не ИИ? Или не ничтожества? Или не выкинул? https://moskvichmag.ru/lyudi/pochemu-sidyat-bez-raboty-krutye-it-spetsialisty/

Всем привет! А еще мы в SberDevices ищем middle продуктового аналитика в наше ТВ-направление. Резюме можете присылать нашему hr (https://t.me/marinatelyuk) или мне (https://t.me/ealexandr). Ниже описание ⬇️ --------------------------------- Чем предстоит заниматься? ▶️ Помогать продуктовым менеджерам принимать решения ▶️ Формулировать и проверять гипотезы для роста продукта ▶️ Анализировать пользовательское поведение и ключевые продуктовые метрики ▶️ Находить инсайты для улучшения продуктовых и бизнес-метрик ▶️ Работать с воронками, когортным анализом, retention и др. ▶️ Строить дашборды и автоматизировать регулярную отчётность ▶️ Проектировать и анализировать A/B-тесты. Мы ожидаем что вы: ▶️ Имеете от 2 лет опыта в продуктовой аналитике ▶️ Понимаете потребности продукта, умеете трансформировать их в задачи, исследования ▶️ Умеете генерировать и проверять гипотезы ▶️ Понимаете основные группы продуктовых метрик ▶️ Умеете формулировать, обосновывать выводы и презентовать результаты анализа ▶️ Уверенно владеете SQL (сложные запросы, джойны, оконные функции) ▶️ Имеете опыт работы с Python и основными библиотеками для анализа данных ▶️ Понимаете статистики и принципы A/B-тестирования, имеете практический опыт проведения A/B-тестов ▶️ Имеете опыт работы с BI-инструментами. Дополнительным плюсом будет: ▶️ Опыт построения базовых ML-моделей (линейная, логистическая регрессия, случайный лес, CatBoost, кластеризация) ▶️ Опыт построения системы метрик продукта ▶️ Навыки взаимодействия с кросс-функциональными командами.

Статья, где автор предлагает чуть альтернативный взгляд на выбор новой работы. Рекомендует искать ответ не на вопрос "где", а на вопрос "в каких условиях". Не уверен, что прямо релевантно, так как в крупной компании можешь найти и галеру, и стартап, и другое. И, что печально, в процессе собеседований бывает не всегда просто понять, что ждет. А еще хуже, когда тебя нанимают "в разные проекты-продукты, а в финале решим", что еще хуже снижает неопределенность. В любом случае, как альтернативный взгляд, сгодится.

Аналитик-инженер Наши устройства и другие системы генерируют большие объемы данных самого разного рода. Необходимо совместно с командой дата-платформы упорядочить данные, настроить процессы и превратить их в удобный инструмент для анализа и визуализации. Твои основные заказчки - это аналитики данных. Что вам предстоит делать? ▶️ Разрабатывать и поддерживать ETL/ELT процессы с использованием dbt/airflow. ▶️ Проектировать и оптимизировать модели в витринном слое. ▶️ Разрабатывать и поддерживать процессы по заполнению мета-данных в дата-каталоге. ▶️ Контролировать качество данных: писать тесты в dbt, осуществлять мониторинг аномалий. ▶️ Документировать данные и процессы (data documentation). ▶️ Адаптировать dbt-core для продуктовых аналитиков. Мы ожидаем, что вы: ▶️ Знаете dbt-core, имеете опыт доработки core/адаптеров. ▶️ Умеете осуществлять оркестрацию с помощью airflow/dagster. ▶️ Хорошо знаете Python. ▶️ Знаете основы хранения данных, различий между БД. ▶️ Отличное знаете SQL и особенности Clickhouse. ▶️ Работаете с git, s3. Будет плюсом: ▶️ Опыт разработки Data Vault. ▶️ Опыт работы с BI. Вакансия на HH

Дата-аналитики Да, мы ищем сразу несколько человек Мы — дата-аналитики виртуального ассистента Салют. В зоне нашей ответственности — метрики качества GigaChat на устройствах SberDevices. В ежедневной работе много Python/SQL, работы с логами, витринами данных, статистики и экспериментов. Что вам предстоит делать? ▶️ Разрабатывать пайплайны для анализа моделей. ▶️ Проводить эксперименты для улучшения метрик базовой модели и других LLM-based систем. ▶️ Работать со сложными пайплайнами разметки. Мы ожидаем, что вы: ▶️ Уверенно владеете Python, SQL, Spark. ▶️ Имеете опыт проведения A/B тестов. ▶️ Понимаете ML-метрики и анализ данных. ▶️ Применяете статистику и теорию вероятностей на практике. ▶️ Умеете работать с BI-инструментами. Будет плюсом: ▶️ Опыт работы с данными для крупных ML-моделей. Вакансия на HH

Всем привет! Мы нанимаем аналитиков. Отличные, прекрасные вакансии в SberDevices. У нас открыто сразу несколько вакансий. Кого ищем? ✅ Дата-аналитики в команду Ассистента (Junior+/Middle) - вакансия на HH ✅ Аналитик-инженер (Senior) - вакансия на HH Ну или можно писать на hr@sberdevices.ru Ниже подробности

Просто хрестоматийный пример манипуляции данными - https://youtube.com/shorts/5ZN3NdSaKq0. Вроде правда, но не вся, и в результате выводы из ролика можно сделать совершенно неверные. В первом комментарии пишут, в чем состоит нюанс

Подведены итоги традиционного исследования рынка аналитиков. NewHR проводит его уже не в первый раз и знает в этом толк. Ссылка. Что внутри: - портреты, специализации аналитиков - грейды, зарплаты - география работы, релокация, удаленка - выводы, тренды, неочевидные инсайты - и многое другое В общем, не тратим время впустую, заходим, читаем.

Иногда полистываю Linkedin после того, как кто-нибудь добавляется. Умиляет приписки в профиле типа ex-yandex или ex-vk и им подобные. Видимо, это сразу дает прирост компетенции и скиллов. И ты сразу становишься более желанным "на рынке труда". Но, когда подобные приписки становятся массовые, их престижность сильно снижается. Смысл это делать - тоже. Ну лан, просто пятничный имхо-нудеж.

Поделюсь рефлексией. Решил перечитать книгу "Цель" Элияху Голдратта. Читал давно, лет 8 назад, сейчас рассчитываю из серии выудить еще кучу полезностей. В обед открыл, прочитал несколько страниц, и уже пришла в голову интересная идея по решению некоторых "узких мест". В общем, если кто-то не читал, то сильно рекомендую. Эти книги могут изменить взгляд не только на рабочие моменты, но и на вполне бытовые.

Через неделю мы презентуем автоматический сбор ивентов в лайв-режиме: с помощью скелетал-данных можно распознать автоматически 98% всех ивентов, обычно собираемых вручную + все касания и сканы (примерно еще до 10000 дополнительных ивентов). Планируем добавить ивенты по вратарям, off-ball runs и еще разные дополнительные вещи, но уже после старта нового сезона. Помимо кучи моделей (я особенно делал сканы, пейпер будет, думаю, через пару месяцев), которые мы делали 2 года, например, вот такой визуал из видео ниже с подсветкой всех ивентов можно сделать за пару недель чисто на вайб-кодинге. Автоматическим сбором ивентов сразу же легко определяются все личные и командные владения, атаки и так далее - и это уже совершенно новый уровень детализации и работы с данными. Latency всего процесса сейчас меньше 5 секунд - на тестах мы даже обгоняли в нашей визуализации матча трансляцию из Sky Go. Почитать очень high-level статью про концепт в целом можно будет в комментах. https://youtu.be/zSYaDnXkd-8?si=uXqGwkwrCXvGgWVK

Сегодня увидел в одном из каналов рекламу про очередной набор на авторские курсы. Отношусь к этому скорее хорошо. Насколько понимаю, это достаточно объемный и непростой труд, который требует сильного вовлечения, времени, сил. Совмещать с "основной" работой, скорее всего, не получится. Если не будет проблем, то у меня вопросы к работе. И вот о чем подумал. Что это, по моему скромному мнению, несет и некоторые минусы. Когда ты ежедневно "анализируешь свою аналитику", то находишься в тонусе, так как постоянно решаешь какие-то проблемы, ищешь ответы на сложные вопросы, споришь про решения и проч. А, когда у тебя нет такой занятости, этот тонус, наверное, может потихоньку убывать. Если говорить обо мне, то у меня точно так будет. Бывало, что на работе длительное время занимаешься чем-то однообразным, и потом приезжает какая-то серьезная проблема, а у тебя расфокус и много времени требуется на то, чтобы просто раскачаться на нужный ритм. Если у других это не так работает, было бы интересно узнать, а как же.

Есть правило Парето про 20-80. А есть старое русское правило, с тем же смыслом, предвосхитившее статистику "Двое пашут семеро руками машут".

В последние дни читаю, что трендом этого года станет / становится спрос на многофункциональных сотрудников, когда ты должен уметь много чего. Не буду приводить примеры, чтобы не рекламировать. Считаю, что это полный бред. И вот почему: ➡️ Никогда не было такого, чтобы не нужны были такие, что умеют много чего, ведь компании они явно выгоднее, чем те, что крутят одну гайку одним ключом и после курсов просят 300 к/наносек. ➡️ Немного погуглив нашел статью от 2022 года, где пишут об этом же тренде - ну надо же, как неожиданно, что тренд возродился через 3 года. ➡️ Во всех компаниях, где я работал, крупных и маленьких, провинциальных и столичных, рядом со мной всегда были те, кто умел и выполнять какие-то задачи в большом количестве инструментов (в случае аналитики и всякие sql, и питон, и ml, и bi, немного de, работа с бизнес-заказчиками и много чего еще...), и ставить их, и делегировать, и менеджерить процессы и проекты, и вести переговоры с партнерами и контрагентами. ➡️ Некоторым очень хочется создать проблему, чтобы выгодно продать ее решение.

Итоги года подводить не буду - смотрим только вперед. Всех с праздничком! Здоровья, достижений и удачи всем в новом году!

Чекнул тут эссе Эндрю Чена про то, как он 15 лет смотрит на кривые ретеншна. Работал основателем, продактом в Uber и прочем бигтехе, сейчас инвестор в a16z. Смотрит сотни стартапов в год. Видит паттерны. Они достаточно очевидные, но я часто вижу, как их многие не понимают Главное: 1/ Плохое удержание не починить. Команды думают: "давайте добавим пуши, протестируем варианты страницы, запилим новые фичи". Не работает. Если в первый день возвращается 10% вместо 50%, у вас нет продукта, который нужен людям. Локальные оптимизации не спасут. Нужен не фикс - нужен полный редизайн или пивот. 2/ Удержание падает по геометрической прогрессии. Типичная кривая: первый день падает на 50% к седьмому. Седьмой падает еще на 50% к тридцатому. Обратные примеры это супер редкие исключения. Если раннее удержание плохое - позднее тоже будет плохим. 3/ Revenue retention растёт, retention rate падает. В B2B SaaS это золотое правило. Slack теряет пользователей (кто-то не заходит), но компании платят больше, потому что продукт растёт внутри организации. В консьюмерских продуктах бывает похоже: люди начинали с книг на Amazon, теперь покупают всё. Использование падает, ценность клиента растёт. 4/ Удержание зависит от категории. Не получится сделать ежедневное приложение из продукта для бронирования отелей. Если хочется высокое удержание, нужно выбирать категорию, где люди уже используют продукт каждый день и/или у них потребность позникает каждый день. Приложение должно заменить существующую ежедневную привычку. 5/ Метрики ухудшаются при росте. Лучшие пользователи приходят первыми - через рекомендации, с высокой мотивацией. Потом добавляете андроид, международку, платную рекламу - метрики катятся вниз. Первая когорта всегда лучшая. Вопрос не в том, как вернуть те показатели, а в том, остаются ли новые когорты прибыльными. 6/ Отток асимметричен. 90% пользователей уходят в первые 30 дней. Вернуть их почти невозможно. Автоматические письма с дискаунтами и напоминалками - дорого и бесполезно. Что работает - когда существующий активный пользователь приглашает ушедшего обратно через продукт (коллега добавляет в проект). Доступно только продуктам где ценность растёт с количеством людей. 7/ Вирусный рост + плохое удержание = фейл. Эксперимент проводили много раз. Видео в тиктоке взорвало установки, но удержание на нуле. Первая волна схлынет, останется плохое привлечение + плохое удержание. Единственный способ - делать продукт с отличным удержанием с первого дня. 8/ Великое удержание - это магия. Когда через 30 дней возвращается 50% - бывает раз в пару лет. Нельзя протестировать путь к такому ретеншну. Нужно новое понимание рынка или пользователей. Видеоконференции, исчезающие фото, ИИ которая отвечает на любой вопрос. Понятно в ретроспективе, но никто этого не предвидел. Что делать? Чен даёт рецепт: выбирай категорию с уже высоким удержанием. Находи продукт, который люди используют каждый день. Делай что-то, что заменит этот продукт. Нужно отличие на 20%, не на 80%. Описание должно быть понятным за 60 секунд использования. Тайминг решает. Должно произойти что-то, что делает твоё отличие важным прямо сейчас. Языковые модели стали достаточно хороши. Люди устали от ленты соцсетей. Удалённая работа стала нормой. Без такого момента у тебя просто лучший продукт в категории, где никто не хочет переключаться. Стартапы это понимают. Все эти "Cursor для X" и "Figma для X" - попытка снизить риск. Берут рабочую категорию, ловят момент изменений, добавляют отличие. Рыночный риск минимален, технологический риск остается.