rafanalytics

Как эффективнее попросить рефералку? 🤝 Мне часто пишут ребята из канала с просьбой порекомендовать их в Авито 😎 Пусть тут будет универсальный мануал, который можно применять при поиске работы практически в любой компании с реферальной системой Рекомендация обычно не позволяет пропустить этапы отбора: вам всё равно придётся пройти скрининг, интервью и остальные секции( Но заявки по рекомендации обычно разбирают приоритетнее откликов из других источников 🤭 Сотрудник обычно ничего не теряет, рекомендуя кандидата, а при успешном найме может получить бонус Единственная проблема - если рекомендаций много, то на заполнение анкет уходит ощутимое время, особенно когда информацию приходится вытягивать из переписки и резюме 🥲 Поэтому, когда вы хотите попросить рефералку у сотрудника, лучше сразу отправляйте одним сообщением: 1. Имя и фамилию 2. Номер телефона и email 3. Ник в Telegram 4. Город проживания 5. Резюме отдельным файлом (лучше в PDF) 6. Небольшой комментарий к отклику (опционально) 7. Ссылки на конкретные вакансии с карьерного сайта кампании (к примеру вот карьерный сайт Авито или Яндекса) Лучше присылать готовую ссылку на вакансию, а не писать «Я аналитик, посмотри плиз что там по вакансиям есть» ✨ Обычно вы лучше знаете свой опыт и интересы, а поиск подходящей позиции может занять больше времени, чем сама рекомендация) Если вакансии нет на карьерном сайте, то, скорее всего, сотрудник тоже её не найдёт( По моему опыту, почти все открытые позиции публикуются там, кроме некоторых руководящих ролей Всё это резко повысит вероятность того, что сотрудник быстрее вас порекомендует 👌 Кстати, я всё ещё могу рекомендовать ребят из канала в Авито 😎, так что можно сразу применить этот пост на практике) А сотрудников других компаний, готовых пореферить ребят из канала, предлагаю отметиться в комментариях - поможем тем, кто сейчас ищет работу 👍

Анализируем водопой на ЧМ-2026 💧⚽️ Приятно, когда можно объединить аналитику с увлечениями 🥰 Если вы тоже наблюдаете за ЧМ-2026, то этот пост для вас) Вы наверняка слышали гипотезу о том, что появление перерывов на водопой меняет поведение команд на текущем чемпионате Я собрал небольшой датасетик из открытых источников (с коллегой кодексом): взял API ESPN и вытащил доступные данные по 92 матчам текущего ЧМ, нашёл в комментариях те самые "hydration breaks" и разбил каждый тайм на два бина - до и после водопоя. Так как поминутного владения мячом в открытом виде я не нашёл, то пришлось искать прокси-метрику поведения команды: так получилась метрика давления, куда я с разными весами сложил голы, удары, угловые, опасные штрафные и офсайды. Идея простая: если команда чаще создаёт такие события, значит она сильнее давит на соперника 📊 Как проверить гипотезу? В идеале нам бы конечно получить две вселенные, где один и тот же матч играется с водопоем и без него, однако ФИФА такой AБ-тест не проводит. Поэтому я пошёл более простым путём: для каждого тайма смотрел, какая команда сильнее давила до водопоя, а потом проверял, сохранила ли она свою долю давления после паузы. Причинность может и неидеальная, но для такого датасета пойдёт) Что получилось? Команда, которая сильнее давила до водопоя, после паузы в среднем теряла около 15 п.п. своей доли давления. Такое падение было в 72% таймов 🤯 Статистически это тоже выглядит ощутимо: 95% бутстрэп-интервал для среднего эффекта получился в интервале [-18.8 п.п; -11.5 п.п.] (т.е. 0 туда не попадает) Получается водопой действительно статзначимо влияет на изменение поведения команд: матч после паузы не обязательно становится менее активным, но давление часто перераспределяется. Ну а рекламная выручка у чемпионата, вероятно, тоже ощутимо выросла 👍 А теперь ставим реакцию: ❤️ - смотрю ЧМ-2026 💔 - не смотрю P.S.: Роналду очень жаль 😭

Считаем крошки на рынке фастфуда Вчера я впервые попробовал "Крошку-Картошку") 🥔 Странно, что только сейчас, хотя сеть существует с 1998 года и наверняка попадалась вам в ТЦ После картошечки стало интересно: а насколько это вообще большой бизнес? Потому что формат кажется довольно нишевым. В фастфуде обычно вспоминают бургеры, курицу и пиццу, а тут основной продукт - печёная картошка с наполнителями 🧀 На странице франшизы Крошка Картошка пишет, что у сети 253 кафе в 51 городе, больше 15 млн покупателей в год и около 4 млрд рублей общей выручки партнёров 📊 Кажется, что 4 млрд рублей - это много. Но чтобы понять масштаб, нужно с чем-то сравнить. Например, у "Вкусно и точка" выручка основного юрлица за 2024 год составила 187,4 млрд рублей. Получается, "ВиТ" больше "Крошки Картошки" примерно в 50 раз. А если смотреть на трафик, то у Крошки указано больше 15 млн покупателей в год, а Rostic’s, по открытым данным, обслуживает больше 1,7 млн гостей в день. То есть годовой поток Крошки примерно равен 9 дням трафика Rostic’s, получается действительно нишево)) Кстати, такие рынки обычно оценивают двумя способами 🧮 Первый способ - идти от большого к маленькому. Например, сначала найти объём всего рынка быстрого питания в России, а потом посмотреть, сколько в нём занимает Крошка Картошка. Такой подход нужен, если хочется получить именно долю рынка: условно, 1%, 5% или 10%. Но тут сразу появляется проблема: сначала нужно договориться, что именно считать фастфудом? От этого сильно поменяется итоговая доля. Второй способ - идти от маленького к большому. Берём конкретные сети и сравниваем их между собой: выручку, количество точек, поток гостей, средний чек. Такой подход не всегда даёт точную долю рынка, зато помогает быстро понять порядок: компания ближе к крупным игрокам или живёт в своей нише. Например, где-то считают выручку всей сети вместе с франчайзи, где-то только одно юрлицо, где-то количество ресторанов, а где-то поток гостей. На вид всё это про “размер бизнеса”, но выводы могут получиться разными 🤔 В случае Крошки оба подхода сходятся в одном: это не игрок масштаба "Вкусно и точка" или Rostic’s, но и не маленький локальный проект. Скорее устойчивая нишевая сеть с миллиардной выручкой и узнаваемым продуктом. Таким образом обычная картошечка внезапно стала поводом напомнить вам про два главных способа оценить долю рынка ☺ А теперь отметимся реакциями: 🔥 - если пробовал Крошку Картошку ❤️ - если не пробовал

Личный блог — это плюс в карьере или red flag для нанимающих? 🚩 Я начал вести этот канал в 2023-м будучи стажёром-аналитиком в Яндексе. И, честно говоря, тогда я не задумывался, какие плюсы это может дать линейному сотруднику - я просто хотел ответить на вопросы, волнующие студентов-айтишников. Но с ростом аудитории я всё больше начал удивляться тому, какое сильное влияние это начинает оказывать на мою жизнь. И вот что блог может дать линейному сотруднику: • узнаваемость и полезные связи: большие охваты порой помогают дотянуться до самых разных людей и на разных уровнях • карьерные возможности: приглашения на митапы/конференции и нахождение в поле видимости рекрутеров • предложения о партнёрствах: приходят бренды и предлагают выгодное сотрудничество • дополнительный доход: за счёт рекламы или продажи собственных продуктов Но есть и ощутимые недостатки: • фильтрация контента: приходится сглаживать острые моменты, чтобы случайно не задеть свою или чужую компанию. Много мыслей может оставаться в черновике, а другие могут переписываться несколько раз 🫠 • настороженность при найме: команде нужен педантичный аналитик, а не блогер — и тут возникает разумный вопрос "а не уйдёт ли вместо рабочих задач его время на контент в соцсети сотрудника, которые продукту, в общем-то, не очень-то и нужны" 🧐 • вторая работа: в какой-то момент канал реально начинает требовать времени — а если что-то не успел или не выпустил, догоняет чувство вины перед подписчиками 😬 Но повторюсь: это взгляд со стороны линейного сотрудника. А по-хорошему вопрос из заголовка стоит задавать не мне, а именно менеджеру, который реально принимает решения о найме 😎 Поэтому мы объединились с Лёшей Малинским — руководителем отдела аналитики Авито Путешествий 😎 (да-да, моим коллегой) и автором канала @lexmalinskiy — и решили закрыть тему сразу с двух сторон. Лёша честно ответил со стороны менеджера: Чем личный бренд полезен руководителю? И что в публичности подсвечивает сильного специалиста, а что заставляет насторожиться при найме? Очень советую почитать его пост — мне самому было интересно обсудить эту тему с разных сторон баррикад грейдов 🤝

Самый жизненный раздел из ML 😱 Вы наверняка видели видосы, где ИИ обучают играть в разные игры: к примеру тут Open AI ещё до появления ChatGPT выпускал довольно хайповый видос про обучения ботов игре в прятки. Подобные идеи относятся к теме Reinforcment Learning (или RL), которую я, почему-то, в университете так и не изучал, хотя вроде брал разные курсы на тему ML 🤔 Но так уж вышло, что недавно преподавание заставило меня разобраться в этой теме подробнее, и больше всего мне понравилось, как идеи из ML можно переносить в целом на процессы в повседневной жизни. Вот две интересных для меня идеи: 1) Мы постоянно прогнозируем свой «профит» и часто завышаем его 🤫 В RL игрок не знает заранее, какой "профит" принесёт то или иное действие. Всё что у него есть — накопленный опыт, на основе которого он учится предсказывать "выгодность" каждого следующего шага. Для этого в RL вводят конкретную Q-функцию, которая оценивает суммарную ожидаемую награду за конкретное действие в конкретной ситуации. Вот только есть один неприятный момент — так называемый "overestimation bias": это когда игрок склонен завышать свои ожидаемые награды, особенно когда данных ещё мало. Мы делаем то же самое: думаем, что новая работа окажется идеальной, а переезд сразу изменит жизнь к лучшему. Иногда так и выходит, но чаще реальная награда оказывается скромнее ожидаемой, да?)) 2) Сначала исследование, а потом эксплуатация 🧑‍🎓 В RL есть два режима. Во время обучения игрок специально исследует разные действия, даже если некоторые выглядят неоптимально — это так называемый "exploration". Только так можно найти по-настоящему лучшую стратегию. На инференсе же агент переключается в "exploitation": берёт лучшую из найденных стратегий и действует максимально эффективно. Это хорошая метафора для жизненных этапов: пока есть "ресурс на ошибки" — можно быть в режиме exploration и пробовать разные сферы, роли, проекты (так скажем быть открытым к возможностям). Когда понял, что работает — переключаешься в exploitation. Так что вывод простой: Чтобы избежать overestimation bias — можно чуть занизить свои ожидания, а ещё убедиться, что собрал достаточно вводных данных перед тем, как переходить в режим exploitation. И это не всегда про машинное обучение)) Ставь ❤️ если нравятся посты такого формата, где идеи из DS перекладываются на рутину (таким образом я смогу скорректировать наиболее подходящие для блога форматы)

Есть кто на Aha’26? Газ нетворкаться 😎 Если вы на конференции в Москве, то давайте спишемся в ЛС @rafaeldks - и вживую поболтаем за жизнь, аналитику, Авито и любые другие приколы. Нетворкинг (кумовство) - вещь полезная 🤝 А в выходные должен выйти неочевидный (на мой взгляд) пост про ML. Давайте поставим ❤️, чтобы ускорить его выход

Аналитику изучают ещё в школе 😱 Да-да, и ты когда-то тоже её изучал. Только называлась она физикой 🤫 Если чуть отойти от формулировок из учебников, то на физику можно смотреть как на попытку описать и «оцифровать» реальный мир: придумать для него понятные метрики и договориться, как именно мы будем их считать. Потом эти метрики стыкуются в модели, по ним делают выводы и проверяют гипотезы... Звучит знакомо, да?) Возьми хотя бы скорость, массу, силу или энергию. Это всё меры того, насколько быстро что-то движется, насколько оно «тяжёлое» для ускорения, насколько сильно на него давят, сколько работы удалось запасти. Константы вроде g = 9.8 м/c^2 или универсальной газовой R — это фиксированные коэффициенты, которые мы один раз хорошо померили и дальше спокойно используем как «эталонные значения» для оценки явлений, чтобы не пересчитывать каждый раз вселенную с нуля 🧠 Дальше есть идея нормировок: например, давление — это сила, поделённая на площадь. Мы берём эффект и делим на масштаб, чтобы получить показатель (как в ARPU — делим выручку на кол-во пользователей). Плотность — масса на объём, удельная теплоёмкость — на градус. Везде одна идея: взять величину в более удобном и отнормированном виде. А что с «экспериментами»? В лабораторных работах ты редко делаешь ровно АБ-тест в корпоративном смысле, но идея та же. Например, измеряем ускорение тележки с грузом: в одном прогоне считаешь, что трение почти нулевое, в другом — намеренно меняешь условие (ставишь на другую поверхность) и смотришь, как поменяется результат. Контрольная и экспериментальная серии измерений, табличка значений, график — и ты уже почти проверил гипотезу. Ну, или если совсем по-продуктовому: у тебя есть гипотеза из теории, ты собираешь данные, сравниваешь сценарии и подгоняешь делаешь вывод лабораторной работы Плюсом идут погрешности приборов (как шум в данных), усреднения (чтобы нивелировать дисперсию в наблюдениях), графики зависимости как твой первый дашборд на бумаге. Даже порядок величин и размерности — это как алёрты в данных перед тем, как отдать отчёт: если в ответе человек бежит со скоростью 100 м/сек, то где-то точно есть ошибка 😅 В общем, если ты когда-то изучал школьную физику, то ты уже тренировал мозг на вещах, которые часто нужны в аналитике: выбрать метрику, понять масштаб, нормализовать, проверить гипотезу данными и статистически признать расхождение модели с реальностью 📈 Не забываем, что сила канала измеряется не в ньютонах и не в правде, а в красных сердечках под постами ❤️

AI оптимизирует экономику тг-канала 🤖 Я заметил, что в какой-то момент этот блог, который изначально был просто увлечением, превратился в мини-продукт со своей экономикой: есть ресурсы, есть затраты, а следовательно появляется и метрика окупаемости 🤫 Например, чтобы телеграм-бот стабильно делился с вами полезными и бесплатными материалами, мне нужно: • выделить время на подготовку этих материалов • платить каждый месяц за сервис-конструктор тг-бота То есть в любом случае есть косты: и время, и деньги 💸 И если смотреть на блог как на продукт, то ведение контента без монетизации в какой-то степени становится благотворительностью с отрицательной окупаемостью, но как аналитику мне хочется, чтобы такая система была оптимальна и не разваливалась по ресурсам 📊 Поэтому я смотрю на это как на задачу оптимизации: где можно уменьшить затраты, а где можно повысить отдаваемую пользу ⚖️ А ещё для сокращения костов можно подключать самые разные навыки: например, я учился на разработчика на ФКН Вышки, и сейчас в связке с вайбкодингом можно переписать тг-бота под своё решение, вынести его на иностранный сервер и проверить, насколько это сократит косты по сравнению с подпиской (если знаете хороший VPS для тг-ботика - напишите в комментарии 🙏) Следующий шаг в рамках оптимизации - отреагировать на замедление телеграма и выйти на дополнительные источники трафика, так что увидимся и на других площадках) И да, лучшая помощь такому продукту - это поставить ❤️ под этим постом, а я буду отдавать ещё больше)

Авторский ноутбук для практики Pandas и визуализаций 👨‍💻 Подъехали новые материалы для канала 🎉 В этом jupyter-ноутбуке можно загрузить датасет по продажам кофе (конечно, Раф там тоже есть) и попробовать выполнить несколько заданий на Pandas, Matplotlib и немного Seaborn 📊 Если выполнишь предложенные задания, то можешь считать, что обладаешь базовым минимумом для стажировки (а может и больше) по анализу данных 😎 Сам файл можно забрать в боте по команде /jupyter Ну и реакциями давайте поддержим ❤️, а то собирать всё это оказалось довольно непросто 😮‍💨

Библиотеки для анализа данных: с чего начать? 🐍 Сегодня разберём один из самых частых вопросов у тех, кто задумался об изучении анализа данных: Как мне изучать библиотеки Pandas, Matplotlib и Seaborn? Там же дофига функций и методов 🥲 Как по мне, это правда достаточно неочевидный вопрос, т.к. сами по себе библиотеки довольно объёмные и содержат кучу методов и функций, из-за чего можно подумать, что надо запомнить их все. Спойлер: это далеко не так, и чтобы быстро их изучить попробуем исходить из практики Более длительный вариант (для тех, кто любит статьи и курсы): • Pandas - самая важная библиотека, чтобы работать с табличными данными. Здесь нужно научиться их фильтровать, группировать и производить преобразования таблиц. В связке с ней можно изучить NumPy - разберётесь с массивами и векторными вычислениями, что иногда сильно ускоряет работу с числами. Хороший материал для старта - хендбук от Яндекса по NumPy и Pandas 📋 - Matplotlib - да, кода много и поначалу библиотека кажется громоздкой, но именно она даёт полный контроль над каждым элементом графика и закладывает понимание того, как устроена визуализация в Python в целом. Разобравшись в ней один раз, ты получишь понимание того, как работает визуализация у других библиотек 🎨 - Seaborn - это как раз надстройка над Matplotlib, которая позволяет строить красивые статистические графики буквально в одну строку. После базового Matplotlib обычно сразу ощущается, насколько это удобно. Один из способов изучить — просто листать галерею примеров на официальном сайте и разбирать код 😌 Быстрый вариант (для тех, кто любит практику): Тут лучшая стратегия - взять реальный датасет и "покрутить" его, попытавшись найти в нём закономерности и инсайты 🔍 Заходим на Kaggle, находим интересный для себя датасет, пытаемся задавать себе вопросы по его структуре (тут можно попросить GPT составить по датасету вопросы) и пытаемся ответить при помощи вышеупомянутых библиотек и их документаций - сначала чистим/агрегируем/фильтруем данные в Pandas, потом визуализируем закономерности 📊 Уверяю, что такая практика на реальных данных в разы эффективнее чтения туториалов без применения навыков, и таким образом можно изучить эти библиотеки за неделю 🔥 Если наберём 100 ❤️, то сделаю авторский jupyter-ноутбук с датасетом и конкретными вопросами к нему. Решив его, ты сможешь поставить галочку в изучении этих библиотек

Эта новость — ваш знак начать преподавать ⬆️ Запускаем интенсив для будущих преподавателей — короткое обучение от Центрального университета для специалистов в ИТ, которые готовы делиться знаниями со студентами, но не знает, с чего начать.  Вас ждут две очные встречи и две в онлайн-формате: узнаете всю теорию и закрепите ее на практике, даже проведете свою первую пару.  За четыре дня активной работы вы:  ➡️ Узнаете, как упаковать профессиональный опыт в образовательный материал так, чтобы студенты вас слушали и слышали.  ➡️ Познакомитесь с преподавателями ЦУ, которые успешно совмещают эту деятельность с работой в ИТ, а также с профессиональными методистами и студентами — от каждого получите обратную связь. ➡️ Сможете получить удостоверение о повышении квалификации. Участникам, которые пройдут всю программу, можем выдать документ, который позволит увереннее чувствовать себя при поиске работы.  ➡️ Познакомитесь с академическими лидами направлений, чтобы попасть в ЦУ уже сейчас, если мы совпадем по профилю и ценностям. Интенсив проведут преподаватели ЦУ с опытом работы в индустрии: компаниях Авито, МТС Линк, Консалтика. Узнать подробности о программе и спикерах можно на сайте.  Регистрируйтесь и отправьте другу, которому стоит попробовать себя в преподавании: https://l.cu.ru/prof_intensive

Как начать карьеру в образовании? 🎓 Если ты часто задаёшься этим вопросом, то сейчас самое время попробовать себя в роли преподавателя на интенсиве от Центрального Университета 😀 22 марта ЦУ начнёт интенсив для специалистов в ИТ, которые готовы делиться знаниями со студентами, но не знают, с чего им начать 🤔 Все подробности - в посте от моих коллег 👇

Линейное мышление тебе мешает 📉 Недавно обучая нейросеть со студентами, я задумался о том, что мы учим модели улавливать нелинейные зависимости, а сами продолжаем думать линейно 🤔 Мы привыкли к интуитивной логике: чем больше усилий - тем больше результат (т.е. линейная зависимость) Но когда начинаем наблюдать за реальностью, то оказывается, что жизнь чаще протекает по другим уравнениям 🤔 Нелинейность — это когда результат непропорционален усилиям: иногда одно действие даёт столько эффекта, сколько не приносили годы работы Разберём на конкретных примерах: 1. Создание контента - месяцами снимаешь и пишешь материалы, со скрипом набираешь каждые 100 подписчиков - и вдруг один пост "залетает", его репостит крупный канал, и за ночь приходит больше людей, чем за полгода, а усилий на этот пост потрачено ровно столько же, сколько на остальные 🤯 2. Изучение новой дисциплины — на примере Data Science это ощущаешь особенно остро: месяцами разбираешь формулы, матрицы, производные, а модели все ещё кажутся чёрным ящиком. Прогресс едва заметен, но вдруг линейная алгебра, статистика и градиентный спуск складываются в единую картину, и ты начинаешь видеть, почему нейросеть обучается именно так💡 3. Поиск работы — десятки резюме, собеседования, отказы. Из-за этого кажется, что КПД стремится к нулю, но каждый отказ чуть подтачивает резюме и прокачивает ответы на вопросы. В итоге один звонок или случайное знакомство приводят к офферу мечты, и весь предыдущий опыт оказывается всего-лишь подготовкой к этой единственной точке 📍 4. Масштабирование мёртвого продукта — пример обратной нелинейности: можно работать по 20 часов в сутки и лить огромные бюджеты в маркетинг - и не получить ничего, если рыночного спроса на продукт нет. В таком случае "больше усилий" = "быстрее сжигаешь ресурсы", при этом даже не приближаясь к результату 🔥 Окей, но как это применить? 🤷‍♂️ Учись не ждать линейного роста — усилие не всегда равно результату здесь и сейчас. Дай процессу время, и если даже через разумный срок динамики совсем нет — это сигнал пересмотреть стратегию, а не удваивать усилия вхолостую ✍️ Быстрые результаты — это исключение, которое современный мир обобщил в норму. Но вот только чаще реальность так не работает, и об этом следует помнить 🌱 Кстати, это напрямую связано с аналитическим мышлением: умение находить точки максимального рычага в продукте, гипотезах или собственном развитии - один из ключевых навыков хорошего аналитика 📊 Лучший способ поддержать такой формат постов - поставить реакцию ❤️‍🔥 или поделиться мнением в комментариях

Кэшбек — бесплатная скидка или скам? 😦 Этот пост — часть рубрики, в рамках которой можно обрести насмотренность для решения бизнес-кейсов, которые так часто возникают на собеседованиях для аналитиков 📊 В прошлый раз ты узнал(-а) про динамическое ценообразование в ритейле, а теперь разберём немного финтеха: откуда у тебя появляется кэшбек в банке и за чей счёт он на самом деле существует? Представим ситуацию: в кофейне ты берёшь раф из Авито на миндальном, расплачиваешься картой и получаешь назад 5% от его стоимости бонусами на ту же карту ☕️ Обычно мы считаем, что такой банковский кэшбек является 💅благотворительностью💅, но на самом деле это продуманный механизм, основанный на борьбе за клиента Так откуда у банка деньги на твой кэшбек? 1. Межбанковские комиссии - когда ты покупаешь кофе с карты, торговая точка выплачивает комиссию банку-эквайеру (банк, обслуживающий магазины). А тот, в свою очередь, делится частью этих денег с банком-эмитентом (банком, который выпустил твою карту) 💳 2. Партнерские соглашения - кэшбек в конкретной кофейне тебе часто может финансировать сама кофейня, доплачивая банку за привлечение трафика и увеличение среднего чека, покупая твою лояльность 🤑 3. Прибыль от кредитов - программы лояльности финансируются за счет высокой маржи по кредитным картам. Проценты и пени, которые платят одни клиенты, позволяют банку вернуть тебе часть средств за твой любимый латте 🤔 4. Экосистема и долгосрочная выгода - банк готов нести краткосрочные убытки ради удержания хороших клиентов. Довольный бонусами чел дольше хранит деньги на счетах и в будущем с большей вероятностью купит страховку, оформит ипотеку или подключит платные сервисы 💰 Увы, кэшбек — это не бескорыстный подарок, а инструмент, выгодный всем участникам цепочки 📈 Кстати, выбор категорий кэшбека, вероятно, даёт банку широкий простор для проведения A/B-тестов: экспериментируя с набором доступных категорий и размером процента для разных групп пользователей, аналитики находят оптимальный баланс между вашими тратами и затратами банка (но это лишь моя догадка), отсюда и всякие мемы про "кэшбек 7.3% на корм для бобров" Понравилась такая рубрика? Ставь красную реакцию ❤️🍓

Гайд по аналитикам: какие они бывают? 📊 Когда я говорю, что работаю аналитиком, то часто слышу: «О, а ты бизнес/системный/крипто аналитик?» 🤔 Давайте разберёмся, кто есть кто в мире аналитиков 👇 📈Продуктовый аналитик (Product Analyst) Чем занимается: • Строит воронки конверсии — анализирует путь пользователя от первого касания до целевого действия • Проводит A/B-тесты — проверяет гипотезы по улучшению продукта • Анализирует поведение пользователей — изучает, почему одни остаются с продуктом надолго, а другие уходят после первого дня Средняя ЗП*: 150к - 320к ₽ 💰 Вакансий на hh: ~2500 🔍 Аналитик данных (Data Analyst) Чем занимается: • Строит дашборды и отчёты — создаёт визуальные панели и регулярные отчёты для разных отделов компании • Ищет инсайты в данных — находит аномалии, выявляет тренды, объясняет, почему метрики изменились • Работает с базами данных — извлекает нужную информацию с помощью SQL-запросов и превращает её в понятные выводы для бизнеса Средняя ЗП*: 100к - 250к ₽ 💰 Вакансий на hh: ~6700 🏢Бизнес-аналитик (Business Analyst) Чем занимается: • Работает на стыке бизнеса и IT — собирает требования от бизнеса и переводит их на язык, понятный разработчикам • Описывает бизнес-процессы — документирует, как работают процессы в компании • Анализирует эффективность процессов — предлагает конкретные улучшения для ускорения и упрощения бизнес-операций Средняя ЗП*: 110к - 250к ₽ 💰 Вакансий на hh: ~8600 💼Финансовый аналитик (Financial Analyst) Чем занимается: • Работает с деньгами компании — управляет финансовыми данными и помогает бизнесу эффективно распоряжаться ресурсами • Анализирует рентабельность — оценивает доходность разных направлений бизнеса и продуктов • Строит модели unit-экономики — считает, сколько стоит привлечь клиента и сколько он принесёт денег за всё время взаимодействия с компанией Средняя ЗП*: 140к - 250к ₽ 💰 Вакансий на hh: ~4600 🤖Data Scientist Чем занимается: • Строит ML-модели для предсказаний — создаёт системы машинного обучения, которые автоматически анализируют данные и делают прогнозы • Предсказывает отток клиентов — строит модели, которые заранее определяют, кто из клиентов может уйти • Работает на стыке аналитики, программирования и математики — использует продвинутую статистику, алгоритмы и ML для решения бизнес-задач Средняя ЗП*: 130к - 360 000 ₽ 💰 Вакансий на hh: ~1000 🖥Системный аналитик (System Analyst) Чем занимается: • Описывает, как должна работать IT-система — создаёт детальную техническую документацию • Собирает требования от бизнеса — общается с заказчиками и превращает их пожелания в чёткую техническую документацию для разработчиков • Рисует схемы процессов — создаёт диаграммы, описывает логику работы функций, продумывает сценарии использования системы Средняя ЗП*: 140к - 310к ₽ 💰 Вакансий на hh: ~4100 📊BI-аналитик (Business Intelligence Analyst) Чем занимается: • Строит дашборды и витрины данных — создаёт централизованные наборы данных с ключевыми метриками компании для быстрого доступа • Создаёт удобные интерактивные отчёты — создаёт визуальные панели и регулярные отчёты для разных отделов компании • Помогает всем отделам принимать решения — от маркетинга до финансов обеспечивает визуализированными данными для обоснованных бизнес-решений Средняя ЗП*: 150к - 300к ₽ 💰 Вакансий на hh: ~1600 * - зарплаты указаны примерно для Москвы и крупных IT-компаний, в регионах суммы могут быть на 20-40% ниже Лайфхак: Честно говоря, за годы работы аналитиком данных я постоянно оказывался на пересечении всех этих ролей, и теперь знаю точно — есть набор знаний, которые нужны каждому аналитику 💯 Именно о них я и рассказывал в своём бесплатном туториале для начинающих аналитиков 👀 Ставь ❤️ если зашло

Появилась идея сделать пост на тему "культа продуктивности" и той его части, что действительно может работать на пользу 🤔 Как вам идея? 🍌 - делаем