Что нужно, чтобы стать data-аналитиком

Что нужно, чтобы стать data-аналитиком

Разбираемся в этом вопросе в новом выпуске подкаста GeekBrains «Выхожу с понедельника»
6 минут1777

Кому стоит идти в аналитику и правда ли, что аналитики — самые востребованные специалисты на рынке труда? В этой статье мы собрали ответы вице-президента по искусственному интеллекту и эффективности «Сбермаркета» (ранее Instamart) и преподавателя GeekBrains Дмитрия Зборовского. 

Послушать выпуск полностью можно на разных платформах:

— Как ты пришёл в аналитику?

В анонсе одного из подкастов напротив моего имени была пометка: за всю жизнь написал максимум 100 строчек на Python. Скорее удивительно, что я стал работать в этой сфере и по каким-то метрикам преуспевать, потому что ничего к этому не должно было привести.

По образованию я математик, первая моя работа была в Intel, разработчиком. А потом случилась типичная для технаря история: когда не знаешь, что делать, — иди в консалтинг. Два с половиной года я провёл в McKinsey & Company, где работа была исключительно про бизнес, про слайды, и вся аналитика была максимум в Excel. В целом я думал, что у меня всё хорошо получается и дальше пойдёт так же.

Из McKinsey я ушёл скорее потому, что понял: за два года я взял от этой работы 75% всего, что можно. Следующие 25% мне бы достались не за 2,5 года, а лет за семь — так обычно работает принцип Парето. При этом было очень тяжело: не спишь, толстеешь, вот это всё... Я решил, что больше не готов жертвовать здоровьем. Но я люблю консалтинг, это офигенная школа. И на вопрос о том, что бы я поменял, отвечаю, что сделал бы те же шаги. Но тогда, в моменте, я понял, что подустал. Я какой-то скиллсет для себя набрал и пошёл ближе к IT.

Я перешёл в Gett вслед за одним из старших коллег. Там тоже было всё вокруг каких-то операций, помощи по стратегии, но именно там я разок столкнулся с аналитикой. У меня был в команде один аналитик, но мне говорили, что я же технарь, математик, разберусь. А я ничего про это не знал. Python я до сих пор не смог освоить — он для меня очень вальяжный.

Из Gett я убежал, к сожалению. Там был период, когда менеджмент стал себя странно вести. Служба безопасности из десяти фээсбэшников вместо того, чтобы заниматься расследованиями по задолжавшим внешним контрагентам, кошмарила внутренних. В какой-то момент мне позвонили из Яндекса: «Дмитрий, не хотели бы вы пообщаться?» И я понял, что не хочу оставаться.

Перешёл в Яндекс, и это тоже была чисто бизнесовая штука. Я туда пришёл работать, когда Яндекс.Такси стали сливать с Uber. Там тоже была аналитика, но на уровне «раз в неделю что-то посмотреть».

У меня был товарищ, с которым мы вместе работали в McKinsey, а потом в Gett. Он искал себе людей в маленький стартап — Instamart. И сказал: «Слушай, Дим, а не хочешь прийти ко мне аналитиком? Ты этим занимался, а нам как раз нужно что-то бизнесовое». А я ничего не умел, даже на SQL что-то программировать — вообще ноль. Но согласился. Так часто бывает: из большой компании со средней позиции ты переходишь в маленькую на высокую. Я стал единственным аналитиком, а во всей команде было сорок человек. Тогда компании не нужно было чего-то особенного, и там я начал по-настоящему знакомиться с аналитикой и вникать, что действительно нужно. Понял, что на самом деле для аналитики нужен очень ограниченный скиллсет. То, что позволило компании быть успешной, то, что было важно мне и моему отделу, — это бизнесовый бэкграунд. С тех пор я и влюбился в аналитику.

У меня была бизнес-аналитика, потом финансовая, маркетинговая, продуктовая, после бац! — и Data Science, бац! — и машинное обучение, бац! — платформа выкаток, продакшен сервисов машинного обучения, нейросети. В итоге я работаю уже три года, и за это время мы выросли в 130 раз с десятками, сотнями тысяч доставок в день.

— Как понять, что аналитика — это твоё призвание? Есть ли к этому какие-то предпосылки: бэкграунд, склад мышления?

Важное качество для любого аналитика — это занудство, причём возведённое в степень. Ведь его главный ресурс — кредит доверия людей, потому что он может делать те вещи, которые другие делать не могут. Например, продакт-менеджер не может сам пойти и сделать тесты, потому что он не знает код. Находясь в ситуации, когда никто не может проверить, что ты делаешь, ты должен быть бесконечно занудным. Чтобы даже после тяжёлого анализа, от которого ты эмоционально вскипел, найти силы его перепроверить. Ведь если ты принесёшь неправильные цифры, кредит доверия упадёт просто страшно, и от этого сложно оправиться. Нужно быть человеком, критически настроенным ко всему, проверять каждый подход, спорить даже с общепризнанными вещами.

Есть классная фраза у Наваля Равиканта, предпринимателя, инвестора в Кремниевой долине и философа: «Find something that feels like play for you, but looks like work for others» («Найди то, что для тебя ощущается как игра, а для других выглядит как работа»). Поэтому нужно последить за собой: интересно ли тебе просто сидеть в Excel и считать средние, строить графичек даже по тем вещам, которые не нужны в работе. Тебе должно это нравиться даже без оплаты. Был момент, когда я каждый день в течение трёх лет вёл табличку: во сколько я уснул, проснулся, какой у меня был уровень энергии, — а потом строил мультикорреляции, чтобы выявить, что больше всего влияло на уровень моего счастья. Я это делал просто потому, что мне нравилось, хотя это полное задротство. Но именно оно — единственный способ преуспеть в ситуации, когда все плюс-минус талантливые и лишь количество часов, которое ты провёл за работой, определяет твой успех.

— А какие hard skills нужны аналитику?

В зависимости от того, какую аналитику хочешь освоить, нужен очень разный уровень математики. Чтобы пойти в машинное обучение и делать нейросети, надо понимать, что такое векторное пространство, градиенты, производные. Я этого не касался первые полтора года, потому что всё, что мне надо было делать, — это как можно быстрее посчитать средневзвешенное по бизнесовым метрикам.

Если хочешь уйти в эксперименты, надо немножко подтянуть статистику. Но не в формате чтения книги, а на курсе, где дают прикладные знания. Например, как проводить A/B-тесты и смотреть конверсии; следить, насколько твоё изменение повлияло на результат, или это была случайная погрешность. Можно нехило закопаться вглубь, но в базовом сценарии нужно не слишком много. И опять надо дружить с цифрами, чтобы не пропускать нули, запоминать числа. Знать базово Excel и Python, даже какую-нибудь pandas, потому что она быстрее работает.

Если есть к аналитике предрасположенность, то за три месяца интенсивного погружения можно выйти на уровень джуна, который будет делать бизнесовые задачи. А потом, если хочешь, можно углубляться. Тогда в какой-то момент твоя работа переходит из аналитической в математическую, а из математической — в инженерную. Потому что самое сложное после создания модели — закатить её в продакшен. Для этого нужно быть уже, по сути, разработчиком.

— Сейчас ты уже вице-президент, и к твоему мнению в компании прислушиваются. А как джуниор-аналитику объяснить лицам, принимающим решения, что нужно сделать те или иные шаги? Насколько это тяжело?

Это очень тяжело, и из джунов никто так не делает. Джуну говорят: «Посчитай», — и он считает, а потом показывает цифры. А вот когда аналитик не только считает, но и проверяет собственные гипотезы, и на основе этого делает вывод, что упала когорта второго месяца, и предлагает сделать что-то, — это позиция middle или senior.

Я никогда не видел, чтобы кто-то так коммуницировал из молодых ребят, хотя это самая крутая штука. Чем меньше руководство вовлекается в цифры, тем лучше: все будут только благодарны. Это удовольствие, когда тебе самому не нужно задавать вопросы, потому что есть человек, который сам всё посчитает и придёт к тебе с решениями. В этот момент ты точно знаешь, что можешь на него положиться.

Это единственный способ расти быстро, хотя, к сожалению, им редко пользуются. Многие ребята-аналитики научного формата — а нас в институтах, особенно на физике, учили учёту всех сил, действующих на «катящийся шарик»: сила опоры, сила трения, сила трения покоя бруска, в который шарик попадает, вязкости среды и т. д. В бизнесе у тебя нет на это времени. Ты должен по принципу 80/20 говорить, что, кажется, вот эти две вещи основные, и, судя по ним, нам нужно делать то-то. Вот такая приоритизация, с отказом от остальных факторов, приходит только с опытом, и она критически важна для роста.

— Дефицит аналитиков на рынке труда — это миф?

Не миф. Даже разработчики в дефиците. В постковидном мире, где у тебя формат работы — гибрид или полная удалёнка, к нашим очень талантливым ребятам приходят из зарубежья с валютными контрактами. Это новая реальность, где люди стоят дорого. Они чаще сами выбирают из нескольких офферов.

Но это нормально, аналитик — сложная профессия. Твой уровень зарплаты определяется тем, какой сложности проблемы ты решаешь. Суперкрутой хирург получает много, потому что делает то, что не делает никто в стране. То же с аналитиками. Так всегда было, просто в последнее время такого больше. Все пошли в e-commerce, у всех резко появились приложения, где надо воронки считать. Так что продакт-аналитики в самом большом дефиците.

Хотя большинство курсов не готовят людей даже к джуновской позиции. Мы разгребаем сотни резюме, где у людей на курсах не было реального опыта и они крутили синтетические данные, как будто даже оторванные от мира.

Полная версия подкаста — по ссылкам в начале статьи. 

Освоить востребованную профессию в Data Science можно всего за полтора года на курсах GeekBrains. После учёбы вы сможете работать по специальностям Data Scientist, Data Analyst, Machine Learning, Engineer Computer Vision-специалист или NLP-специалист.

подкаст
Нашли ошибку в тексте? Напишите нам.
Спасибо,
что читаете наш блог!
Posts popup