Почему аналитика самое простое направление для старта в IT?
Начнём с основных запросов скиллов под стажёрские позиции. Один из основных, который встречается везде - SQL, фактически это не язык программирования, здесь вам не нужно задумываться, то как ваша программа будет исполняться, какое время она затратит или же различные нюансы с компиляцией и т.п. Здесь вам потребуется лишь "объяснить" вашу задачу с помощью ключевых слов языка (такой тип языков называется декларативный), а что под капотом этого языка вас не будет интересовать. Второй скилл, который с вас спросят почти на каждом отборе - python, здесь тоже не будет требуется слишком глубокое понимание языка программирования как на бэкенд позици, но в некоторые компании могут давать алгособесы на позиции аналитика. Теорвер и матстат потребность в этом скиле для отбора в различные компании может варироваться от должности (если ты BI аналитик, тогда значительно слабее будет спрос на эти харды, в случае продуктового - посрпшивают базовые определения и задачки) и непосредственно самой компании (в т-банке в основном акцент идет на кейсы, в яндексе - зависит от собеседующего, но в среднем это основное на что смотрят при отборе на стажки по аналитике). Все эти скилы кстати проходим на курсах по аналитике и алгоритмам
Сама работа в некоторых задачах творческая, соответственно много чилловых созвонов и задач "проведи кагортный анализ/eda/стат тесты, которые фактически можно сделать тем же днем, но многие растягивают на недели и никаких последствий из-за этого не вылезает", а та монотонная часть с SQL фактически завязана на следующем алгоритме "напиши 80 строк кода и жди отдыхай полдня пока оно выполнится" и нет в основном большого количества горящих сроков. Также не придется изучать большое количество внутренних сервисов и вникать в большие объемы, зачастую недокументированного" кода.
Бэкенд
В бигтехе огромная нагрузка на бэкенд позициях, компании постоянно нужно большое количество новых сервисов и стажёров зачастую нанимают на позиции под определенные задачи, а не с целью вырастить штатного сотрудника. В последнее время в яндекс во многом даже внегласно стал требовать опыт работы при отборе на позиции Go-разработчиков. А также в сравнении с аналитикой, тут куда более сложный и объемный язык, который придется учить, а также одним языком здесь часто не ограничиваются.
Менеджмент
Работа тут конечно ещё более чиловая, но попасть тут нереально, все первичные отборы - это скрининг резюме, что плохо, потому что нет никогда чётких критериев того какие скилы требуются на эту специальность. Скрининг - это чистый рандом, а сами собеседования скорее проверяют не вашу экспертность, а показывают субъективную точку зрения на счет вашей кандидатуры у интервьювера.
ML
На самом деле процесс работы довольно интересен, но тут и отбор и сама стажировка будут посложнее, но главное чтобы вас не ставили в команды, где по большому счёту ничего не делают кроме подбора параметров. Тут нагрузка выше чем у Аналитиков и в Менеджменте, но ниже, чем в Бэке
Подписаться: @ProdAnalysis
Начнём с основных запросов скиллов под стажёрские позиции. Один из основных, который встречается везде - SQL, фактически это не язык программирования, здесь вам не нужно задумываться, то как ваша программа будет исполняться, какое время она затратит или же различные нюансы с компиляцией и т.п. Здесь вам потребуется лишь "объяснить" вашу задачу с помощью ключевых слов языка (такой тип языков называется декларативный), а что под капотом этого языка вас не будет интересовать. Второй скилл, который с вас спросят почти на каждом отборе - python, здесь тоже не будет требуется слишком глубокое понимание языка программирования как на бэкенд позици, но в некоторые компании могут давать алгособесы на позиции аналитика. Теорвер и матстат потребность в этом скиле для отбора в различные компании может варироваться от должности (если ты BI аналитик, тогда значительно слабее будет спрос на эти харды, в случае продуктового - посрпшивают базовые определения и задачки) и непосредственно самой компании (в т-банке в основном акцент идет на кейсы, в яндексе - зависит от собеседующего, но в среднем это основное на что смотрят при отборе на стажки по аналитике). Все эти скилы кстати проходим на курсах по аналитике и алгоритмам
Сама работа в некоторых задачах творческая, соответственно много чилловых созвонов и задач "проведи кагортный анализ/eda/стат тесты, которые фактически можно сделать тем же днем, но многие растягивают на недели и никаких последствий из-за этого не вылезает", а та монотонная часть с SQL фактически завязана на следующем алгоритме "напиши 80 строк кода и жди отдыхай полдня пока оно выполнится" и нет в основном большого количества горящих сроков. Также не придется изучать большое количество внутренних сервисов и вникать в большие объемы, зачастую недокументированного" кода.
Бэкенд
В бигтехе огромная нагрузка на бэкенд позициях, компании постоянно нужно большое количество новых сервисов и стажёров зачастую нанимают на позиции под определенные задачи, а не с целью вырастить штатного сотрудника. В последнее время в яндекс во многом даже внегласно стал требовать опыт работы при отборе на позиции Go-разработчиков. А также в сравнении с аналитикой, тут куда более сложный и объемный язык, который придется учить, а также одним языком здесь часто не ограничиваются.
Менеджмент
Работа тут конечно ещё более чиловая, но попасть тут нереально, все первичные отборы - это скрининг резюме, что плохо, потому что нет никогда чётких критериев того какие скилы требуются на эту специальность. Скрининг - это чистый рандом, а сами собеседования скорее проверяют не вашу экспертность, а показывают субъективную точку зрения на счет вашей кандидатуры у интервьювера.
ML
На самом деле процесс работы довольно интересен, но тут и отбор и сама стажировка будут посложнее, но главное чтобы вас не ставили в команды, где по большому счёту ничего не делают кроме подбора параметров. Тут нагрузка выше чем у Аналитиков и в Менеджменте, но ниже, чем в Бэке
Подписаться: @ProdAnalysis
👍4❤2
Как не перегореть продуктовому аналитику в 2026 году? (Часть 1)
Здравствуйте, товарищи!
Сегодня разберём важнейший навык продуктового аналитика - способность не перегореть из-за ночных запросов руководителя, сломанных дашбордов и просьб бизнеса: "Посчитай мне быстренько такие-то циферки".
В нынешнее время аналитику уже недостаточно знать SQL, уметь дизайнить A/B-тесты и строить различные графики. Ко всему этому добавляются понимание продукта, общение с менеджерами, валидация данных, автоматизация различных рутинных задач и проверка того, не придумала ли нейронка что-то несуществующее. Если пытаться делать всё это одновременно, то можно достаточно быстро перегореть.
Поговорим о том, как можно этого избежать в нынешнее время. Основная проблема выгорания в том, что аналитик может сделать кучу задач за день: написать нужные запросы, построить графики, обсудить запуск какого-то теста, провести пост-анализ прошедшей маркетинговой кампании, но в итоге останется ощущение, что он просто перекладывал данные из одной таблички в другую. И вот советы, которые помогут этого избежать.
1. Не пытаться анализировать вообще всё
Тут основная проблема в том, что аналитик хочет разобраться в каждом вопросе максимально глубоко. Менеджер может прийти с вопросом, почему какая-то метрика упала на 2%, а аналитик уже соберёт данные за последние несколько лет, построит кучу графиков, проверит сезонность и ещё много всего, хотя достаточно будет просто проверить несколько базовых вещей и сказать, что изменение находится в пределах обычного шума. Перед началом решения какой-либо задачи нужно определить:
1. какое решение будут принимать по результатам анализа;
2. насколько точный ответ нужно дать;
3. сколько времени стоит закладывать на выполнение этой задачи.
Если после выполнения анализа какие-то очень важные выводы делать не собираются, то, возможно, не стоит проводить суперглубокий анализ и тратить на это кучу времени.
2. Разделять важные исследования и ad hoc-задачи
Есть исследования, от результатов которых будет зависеть запуск каких-то кампаний, перераспределение бюджетов или ещё что-то достаточно важное. В таких задачах действительно нужно внимательно смотреть данные и проверять различные методологии. А есть вопросы из разряда: "Сколько человек вчера нажали на такой-то баннер?". Такие задачи не надо превращать в глубинные исследования и тратить на это кучу времени. Наверное, лучший совет, который тут можно дать, - обсуждать с заказчиком, какой именно уровень анализа ему нужен. Иначе может произойти так, что человек будет ожидать ответ к обеду этого же дня, а вы принесёте ему результат через неделю.
3. Избавляться от бесконечных ad hoc-запросов
Каждую неделю вас могут просить писать почти идентичные запросы из разряда: "Собери мне выборку для такого-то теста с такими-то отсечками по пользователям". Тут проблема не в количестве работы, а в самом процессе. В такой ситуации нужно постараться автоматизировать процессы, чтобы они занимали минимальное количество времени. Тут основные советы:
1. автоматизировать шаблоны для сбора выборок или выполнения каких-то запросов, если это возможно.
2. сохранять информацию о том, какие метрики достаточно часто повторяются, как они считаются и из каких витрин в основном берётся информация.
3. сохранять результаты исследований, которые вы проводили сам.
4. хранить типовые ошибки, которые обычно встречаются при обработке различных данных в вашей зоне ответственности.
4. Использовать нейронки, но не становиться их рабами
Мы уже писали гайд как не стать ИИ макакой, но опишем здесь кратко, а недавно наши преподаватели даже проводили дебаты про ИИ. Eсли вслепую брать ответы нейронки, то времени станет только меньше, потому что надо будет искать, почему запрос считает не тех пользователей или почему используется не тот статистический тест. Поэтому следуем такому пайплайну.
1. сначала самостоятельно формулируем задачу и то, какой результат ожидаем;
2. потом отдаём нейронке конкретный кусок работы;
3. проверяем код, логику и данные;
4. только после этого используем результат.
Подписаться: @ProdAnalysis
Здравствуйте, товарищи!
Сегодня разберём важнейший навык продуктового аналитика - способность не перегореть из-за ночных запросов руководителя, сломанных дашбордов и просьб бизнеса: "Посчитай мне быстренько такие-то циферки".
В нынешнее время аналитику уже недостаточно знать SQL, уметь дизайнить A/B-тесты и строить различные графики. Ко всему этому добавляются понимание продукта, общение с менеджерами, валидация данных, автоматизация различных рутинных задач и проверка того, не придумала ли нейронка что-то несуществующее. Если пытаться делать всё это одновременно, то можно достаточно быстро перегореть.
Поговорим о том, как можно этого избежать в нынешнее время. Основная проблема выгорания в том, что аналитик может сделать кучу задач за день: написать нужные запросы, построить графики, обсудить запуск какого-то теста, провести пост-анализ прошедшей маркетинговой кампании, но в итоге останется ощущение, что он просто перекладывал данные из одной таблички в другую. И вот советы, которые помогут этого избежать.
1. Не пытаться анализировать вообще всё
Тут основная проблема в том, что аналитик хочет разобраться в каждом вопросе максимально глубоко. Менеджер может прийти с вопросом, почему какая-то метрика упала на 2%, а аналитик уже соберёт данные за последние несколько лет, построит кучу графиков, проверит сезонность и ещё много всего, хотя достаточно будет просто проверить несколько базовых вещей и сказать, что изменение находится в пределах обычного шума. Перед началом решения какой-либо задачи нужно определить:
1. какое решение будут принимать по результатам анализа;
2. насколько точный ответ нужно дать;
3. сколько времени стоит закладывать на выполнение этой задачи.
Если после выполнения анализа какие-то очень важные выводы делать не собираются, то, возможно, не стоит проводить суперглубокий анализ и тратить на это кучу времени.
2. Разделять важные исследования и ad hoc-задачи
Есть исследования, от результатов которых будет зависеть запуск каких-то кампаний, перераспределение бюджетов или ещё что-то достаточно важное. В таких задачах действительно нужно внимательно смотреть данные и проверять различные методологии. А есть вопросы из разряда: "Сколько человек вчера нажали на такой-то баннер?". Такие задачи не надо превращать в глубинные исследования и тратить на это кучу времени. Наверное, лучший совет, который тут можно дать, - обсуждать с заказчиком, какой именно уровень анализа ему нужен. Иначе может произойти так, что человек будет ожидать ответ к обеду этого же дня, а вы принесёте ему результат через неделю.
3. Избавляться от бесконечных ad hoc-запросов
Каждую неделю вас могут просить писать почти идентичные запросы из разряда: "Собери мне выборку для такого-то теста с такими-то отсечками по пользователям". Тут проблема не в количестве работы, а в самом процессе. В такой ситуации нужно постараться автоматизировать процессы, чтобы они занимали минимальное количество времени. Тут основные советы:
1. автоматизировать шаблоны для сбора выборок или выполнения каких-то запросов, если это возможно.
2. сохранять информацию о том, какие метрики достаточно часто повторяются, как они считаются и из каких витрин в основном берётся информация.
3. сохранять результаты исследований, которые вы проводили сам.
4. хранить типовые ошибки, которые обычно встречаются при обработке различных данных в вашей зоне ответственности.
4. Использовать нейронки, но не становиться их рабами
Мы уже писали гайд как не стать ИИ макакой, но опишем здесь кратко, а недавно наши преподаватели даже проводили дебаты про ИИ. Eсли вслепую брать ответы нейронки, то времени станет только меньше, потому что надо будет искать, почему запрос считает не тех пользователей или почему используется не тот статистический тест. Поэтому следуем такому пайплайну.
1. сначала самостоятельно формулируем задачу и то, какой результат ожидаем;
2. потом отдаём нейронке конкретный кусок работы;
3. проверяем код, логику и данные;
4. только после этого используем результат.
Подписаться: @ProdAnalysis
Как продакту и аналитику понимать друг друга
Ох, товарищи, тема щепетильная. Говорят даже: если продакт и аналитик не ругаются, то продукт не строится👍
В целом да, но только если это конструктивный спор. Но иногда бывает срач из разряда: ты дебил, нет - ты!
К сожалению, не всегда продакт хорошо разбирается в данных, а аналитик в бизнесе, продукте и клиенте. Но сильный результат появляется, когда оба погружаются в работу друг друга.
Что важно знать продакту:
1. Как устроены A/B-тесты: от формулировки гипотезы и выбора метрик до анализа результатов. Это поможет быстрее ставить задачи и не запускать эксперименты, которые невозможно нормально оценить.
Кстати, пайплайном A/B-теста мы уже делились в канале. Он для собесов, но в целом подойдет, чтобы разобраться в тестах
2. Дерево метрик продукта. Нужно понимать, на какую метрику работает команда, какие показатели на неё влияют и какие прокси можно использовать.
Не всегда North Star Metric можно быстро сдвинуть. Иногда эффект нужно оценивать через более чувствительные показатели.
3. Юнит-экономику и основные цифры продукта: конверсии, средний чек, частоту, retention, CAC, доходы и расходы. Необязательно помнить всё, но нужно понимать порядок значений и текущие бенчмарки.
Что важно аналитику:
1. Не просто считать, а задавать вопросы. Какую гипотезу проверяем? Какое решение примем по результатам? Почему смотрим именно на эту метрику?
2. Не приносить только таблицы и графики. В анализе должны быть выводы, ограничения и рекомендации: что произошло, почему и что с этим делать.
3. Уметь объяснять результаты простым языком. Заказчиком может быть не только продакт, но и маркетолог, операционный менеджер или руководитель, который не разбирается в аналитике.
4. Знать аудиторию продукта. Изучать исследования, смотреть интервью с пользователями, читать обращения и понимать, какие задачи решает продукт.
На рынке сейчас ценятся специалисты, которые и бизнес, и дата дривен. Поэтому каждому надо погружаться в разные зоны, чтобы быть востребованным💸
Подписаться: @ProdAnalysis
Ох, товарищи, тема щепетильная. Говорят даже: если продакт и аналитик не ругаются, то продукт не строится
В целом да, но только если это конструктивный спор. Но иногда бывает срач из разряда: ты дебил, нет - ты!
К сожалению, не всегда продакт хорошо разбирается в данных, а аналитик в бизнесе, продукте и клиенте. Но сильный результат появляется, когда оба погружаются в работу друг друга.
Что важно знать продакту:
1. Как устроены A/B-тесты: от формулировки гипотезы и выбора метрик до анализа результатов. Это поможет быстрее ставить задачи и не запускать эксперименты, которые невозможно нормально оценить.
Кстати, пайплайном A/B-теста мы уже делились в канале. Он для собесов, но в целом подойдет, чтобы разобраться в тестах
2. Дерево метрик продукта. Нужно понимать, на какую метрику работает команда, какие показатели на неё влияют и какие прокси можно использовать.
Не всегда North Star Metric можно быстро сдвинуть. Иногда эффект нужно оценивать через более чувствительные показатели.
3. Юнит-экономику и основные цифры продукта: конверсии, средний чек, частоту, retention, CAC, доходы и расходы. Необязательно помнить всё, но нужно понимать порядок значений и текущие бенчмарки.
Что важно аналитику:
1. Не просто считать, а задавать вопросы. Какую гипотезу проверяем? Какое решение примем по результатам? Почему смотрим именно на эту метрику?
2. Не приносить только таблицы и графики. В анализе должны быть выводы, ограничения и рекомендации: что произошло, почему и что с этим делать.
3. Уметь объяснять результаты простым языком. Заказчиком может быть не только продакт, но и маркетолог, операционный менеджер или руководитель, который не разбирается в аналитике.
4. Знать аудиторию продукта. Изучать исследования, смотреть интервью с пользователями, читать обращения и понимать, какие задачи решает продукт.
На рынке сейчас ценятся специалисты, которые и бизнес, и дата дривен. Поэтому каждому надо погружаться в разные зоны, чтобы быть востребованным
Подписаться: @ProdAnalysis
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4👍3🔥2
Forwarded from Поступашки - ШАД, Стажировки и Магистратура
Разбор контеста на стажировку в Яндекс за подписку!
Чтобы получить разбор:
➡️ Подпишитесь на нас в запрещенной странице тут
➡️ Поставьте «+» в комментариях под последней каруселью тут
➡️ После этого бот пришлёт вам материал в директ
Внутри будет разбор контеста и заданий, которые помогут подготовиться к отбору в Яндекс
Чтобы получить разбор:
Внутри будет разбор контеста и заданий, которые помогут подготовиться к отбору в Яндекс
Please open Telegram to view this post
VIEW IN TELEGRAM
Кто такой продакт-менеджер и зачем он нужен команде
Если вы вдруг задавались вопросами: кто такой продакт и почему его задачи нельзя просто разделить между аналитиками и разработчиками? То в этом посте объясню про профессию продакта и его взаимодействие с аналитиками
Мое определение:
Допустим, бизнес хочет увеличить количество заказов. Вариантов много: изменить онбординг, запустить программу лояльности, упростить оплату или добавить новую механику рекомендаций.
Продакт должен понять:
➡️ где находится основная проблема
➡️ какую аудиторию и потребность стоит выбрать
➡️ какое решение даст наибольший эффект
➡️ что запускать сейчас, а что отложить
➡️ по каким метрикам оценивать результат
После этого он собирает команду вокруг общей цели и ведёт задачу от идеи до запуска и оценки результатов.
Как продакт работает с аналитиками
1️⃣ С продуктовым аналитиком
Вместе изучают поведение пользователей, строят воронки, ищут точки роста и проверяют гипотезы.
Продакт формулирует проблему и принимает решение, что делать дальше. Продуктовый аналитик помогает подтвердить решение данными: рассчитывает метрики, проектирует A/B-тест и оценивает эффект после запуска.
Например: продакт предполагает, что пользователи не завершают заказ из-за сложной оплаты. Аналитик проверяет воронку и выясняет, на каком именно шаге они уходят и в каких сегментах проблема сильнее.
2️⃣ С бизнес-аналитиком
Продакт определяет, какую пользовательскую или бизнес-проблему нужно решить. Бизнес-аналитик подробно разбирает процессы, правила и требования.
Например, продакт решает запустить оплату заказа бонусами. Бизнес-аналитик описывает, кто может списывать бонусы, в каком количестве, при каких условиях и как это повлияет на существующие процессы.
3️⃣ С системным аналитиком
Когда понятно, что именно нужно запустить, системный аналитик переводит бизнес-логику на язык систем: описывает взаимодействие сервисов, интеграции, API, данные и возможные ограничения.
Продакт отвечает за ожидаемый результат и приоритет задачи, а системный аналитик за то, чтобы решение было корректно спроектировано с технической точки зрения.
Получается простая связка:
🔵 продакт определяет, зачем и что делаем
🔵 продуктовый аналитик помогает понять, что происходит в продукте и сработало ли решение
🔵 бизнес-аналитик описывает, как должна работать бизнес-логика
🔵 системный аналитик определяет, как это реализовать на уровне систем
В разных компаниях границы ролей могут отличаться. Где-то часть аналитической работы берёт на себя продакт, а где-то один аналитик совмещает сразу несколько направлений. Вот как устроено в компаниях:
1) В Яндексе зачастую продакт работает с аналитиком-разработчиком (и системный анализ понимает и разработать может)
2) В Т-Банке в core продукте (кредиты, карты, инвестиции) есть бизнес-аналитики (их кстати называют технологами), но в нефинансовых сервисах технологов уже нет
3) В Х5 продакт работает с бизнес и системными аналитиками
В общем, ответственность продакта остаётся одной: выбрать правильную проблему, направить команду на её решение и отвечать не за количество запущенных фич, а за результат для пользователей и бизнеса… деньги деньги деньги💰
Подписаться: @ProdAnalysis
Если вы вдруг задавались вопросами: кто такой продакт и почему его задачи нельзя просто разделить между аналитиками и разработчиками? То в этом посте объясню про профессию продакта и его взаимодействие с аналитиками
Мое определение:
Продакт-менеджер отвечает за то, какой продукт создает команда, какую ценность от несет, для кого и ради какого результата.
Допустим, бизнес хочет увеличить количество заказов. Вариантов много: изменить онбординг, запустить программу лояльности, упростить оплату или добавить новую механику рекомендаций.
Продакт должен понять:
После этого он собирает команду вокруг общей цели и ведёт задачу от идеи до запуска и оценки результатов.
Как продакт работает с аналитиками
Вместе изучают поведение пользователей, строят воронки, ищут точки роста и проверяют гипотезы.
Продакт формулирует проблему и принимает решение, что делать дальше. Продуктовый аналитик помогает подтвердить решение данными: рассчитывает метрики, проектирует A/B-тест и оценивает эффект после запуска.
Например: продакт предполагает, что пользователи не завершают заказ из-за сложной оплаты. Аналитик проверяет воронку и выясняет, на каком именно шаге они уходят и в каких сегментах проблема сильнее.
Продакт определяет, какую пользовательскую или бизнес-проблему нужно решить. Бизнес-аналитик подробно разбирает процессы, правила и требования.
Например, продакт решает запустить оплату заказа бонусами. Бизнес-аналитик описывает, кто может списывать бонусы, в каком количестве, при каких условиях и как это повлияет на существующие процессы.
Когда понятно, что именно нужно запустить, системный аналитик переводит бизнес-логику на язык систем: описывает взаимодействие сервисов, интеграции, API, данные и возможные ограничения.
Продакт отвечает за ожидаемый результат и приоритет задачи, а системный аналитик за то, чтобы решение было корректно спроектировано с технической точки зрения.
Получается простая связка:
В разных компаниях границы ролей могут отличаться. Где-то часть аналитической работы берёт на себя продакт, а где-то один аналитик совмещает сразу несколько направлений. Вот как устроено в компаниях:
1) В Яндексе зачастую продакт работает с аналитиком-разработчиком (и системный анализ понимает и разработать может)
2) В Т-Банке в core продукте (кредиты, карты, инвестиции) есть бизнес-аналитики (их кстати называют технологами), но в нефинансовых сервисах технологов уже нет
3) В Х5 продакт работает с бизнес и системными аналитиками
В общем, ответственность продакта остаётся одной: выбрать правильную проблему, направить команду на её решение и отвечать не за количество запущенных фич, а за результат для пользователей и бизнеса… деньги деньги деньги
Подписаться: @ProdAnalysis
Please open Telegram to view this post
VIEW IN TELEGRAM
❤5👍3👌2
C какими айтишницами стоит строить отношения, а какие - ред флаг? В новом ролике разобрал все бигтехи по фактам: Яндекс, ВК, Т-банк, Озон, Сбер. Смотрим! Смотрим! И не говорите потом, что не предупреждал!
https://www.youtube.com/shorts/d_lUVE5oo7A
https://www.youtube.com/shorts/d_lUVE5oo7A
YouTube
Я сходил на сотню свиданий с девушками из бигтехов и вот, что я понял..
#shorts #свидание #bigtech #айтишники #яндекс #тбанк #сбер #сбер #...
Последний шанс поступить на магистратуру от Авито и ВШБ ВШЭ!
Программа «Управление продуктом в ИТ-бизнесе» создана Авито совместно с Высшей школой бизнеса НИУ ВШЭ для тех, кто хочет развиваться в продуктовой роли и работать с цифровыми продуктами на уровне крупной технологической компании.
Что даёт программа:
— преподаватели-эксперты из Авито и НИУ ВШЭ;
— работа с реальными продуктами и бизнес-кейсами;
— продуктовая аналитика, исследования пользователей, стратегия развития продукта и юнит-экономика;
— возможность попасть на стажировку в Авито уже во время обучения.
А ещё 25 из 45 мест на программе — с грантом на обучение от Авито.
Дедлайн — 8 августа, поторопитесь!
Подать заявку
Программа «Управление продуктом в ИТ-бизнесе» создана Авито совместно с Высшей школой бизнеса НИУ ВШЭ для тех, кто хочет развиваться в продуктовой роли и работать с цифровыми продуктами на уровне крупной технологической компании.
Что даёт программа:
— преподаватели-эксперты из Авито и НИУ ВШЭ;
— работа с реальными продуктами и бизнес-кейсами;
— продуктовая аналитика, исследования пользователей, стратегия развития продукта и юнит-экономика;
— возможность попасть на стажировку в Авито уже во время обучения.
А ещё 25 из 45 мест на программе — с грантом на обучение от Авито.
Дедлайн — 8 августа, поторопитесь!
Подать заявку
🔥3❤2
Как проходят собеседования у продакт-менеджеров?
Недавно админ этого канала, который пишет про аналитику, спросил у меня, второго админа, который пишет про продакт менеджмент:
➡️ Короткий ответ: у продактов спрашивают всё понемногу!
Но обычно от нас не требуют на собеседовании написать SQL-запрос, рассчитать доверительный интервал вручную или спроектировать API. Хотя всё зависит от конкретной вакансии и команды.
Где-то ищут технического продакта, который хорошо понимает разработку, архитектуру и может сам написать код. Где-то — продакта с сильной аналитикой, который самостоятельно считает экономику, проектирует A/B-тесты и анализирует результаты, потому что отдельного аналитика в команде нет.
Но чаще всего на собеседовании проверяют именно продуктовое мышление:
— как ты находишь проблемы и формулируешь гипотезы
— как проводишь исследования и работаешь с данными
— как выбираешь метрики и строишь их дерево
— как приоритизируешь задачи
— понимаешь ли юнит-экономику
— как оцениваешь влияние решений на пользователей и бизнес
— как работаешь с разработкой, аналитиками и стейкхолдерами
— умеешь ли принимать решения в условиях неопределённости
При этом совсем без аналитики и технических знаний не обойтись. Продакт работает на стыке бизнеса, пользователей, данных и разработки, поэтому должен понимать жизненный цикл продукта, принципы A/B-тестирования, базовую экономику и то, как в целом устроена разработка.
Сам процесс найма обычно выглядит так:
1️⃣ Интервью с HR
Обсуждаете опыт, мотивацию, причины смены работы, зарплатные ожидания и формат работы. Здесь скорее проверяют общий мэтч с вакансией и компанией.
2️⃣ Интервью с лидом продукта
Продакт-лид глубже разбирает твой опыт: за какую часть продукта ты отвечал, какие метрики двигал, как находил гипотезы, запускал эксперименты и работал с командой.
Могут дать продуктовый кейс. Например: «У нас падает конверсия в заказ. Как будешь разбираться?» Или: «Как увеличить количество платных подписчиков в два раза?»
Здесь важен не единственно правильный ответ, а ход мыслей: какие вопросы ты задашь, какие данные запросишь, как сформулируешь гипотезы и по каким метрикам оценишь результат.
3️⃣ Техническая секция
Она есть не везде и сильно зависит от команды. На встречу могут прийти аналитик, проджект или технический лидер.
Аналитик спросит про метрики, дизайн A/B-теста, статистическую значимость и экономику запуска. Проджект или техлид — про постановку задач, зависимости, работу с разработкой, риски и то, что ты будешь делать, если ресурсов не хватает, а запуск нужен через две недели.
4️⃣ Интервью с CPO
Снова обсуждают опыт и дают кейсы, но обычно смотрят уже шире: как ты принимаешь стратегические решения, понимаешь бизнес, работаешь с неопределённостью и конфликтующими интересами.
Получается, что собеседование продакта — это не экзамен по одной конкретной дисциплине. Скорее, проверка того, умеешь ли ты собрать вместе данные, исследования, экономику, разработку и интересы бизнеса, а затем принять решение и довести его до результата😊
Подписаться: @ProdAnalysis
Недавно админ этого канала, который пишет про аналитику, спросил у меня, второго админа, который пишет про продакт менеджмент:
«А что вообще спрашивают у продактов на собеседованиях? У аналитиков всё понятно: sql, алгосы, кейсы. А у вас что? У вас спросят про доверительные интервалы? API? Вы кодите или нет?»
Но обычно от нас не требуют на собеседовании написать SQL-запрос, рассчитать доверительный интервал вручную или спроектировать API. Хотя всё зависит от конкретной вакансии и команды.
Где-то ищут технического продакта, который хорошо понимает разработку, архитектуру и может сам написать код. Где-то — продакта с сильной аналитикой, который самостоятельно считает экономику, проектирует A/B-тесты и анализирует результаты, потому что отдельного аналитика в команде нет.
Но чаще всего на собеседовании проверяют именно продуктовое мышление:
— как ты находишь проблемы и формулируешь гипотезы
— как проводишь исследования и работаешь с данными
— как выбираешь метрики и строишь их дерево
— как приоритизируешь задачи
— понимаешь ли юнит-экономику
— как оцениваешь влияние решений на пользователей и бизнес
— как работаешь с разработкой, аналитиками и стейкхолдерами
— умеешь ли принимать решения в условиях неопределённости
При этом совсем без аналитики и технических знаний не обойтись. Продакт работает на стыке бизнеса, пользователей, данных и разработки, поэтому должен понимать жизненный цикл продукта, принципы A/B-тестирования, базовую экономику и то, как в целом устроена разработка.
Сам процесс найма обычно выглядит так:
Обсуждаете опыт, мотивацию, причины смены работы, зарплатные ожидания и формат работы. Здесь скорее проверяют общий мэтч с вакансией и компанией.
Продакт-лид глубже разбирает твой опыт: за какую часть продукта ты отвечал, какие метрики двигал, как находил гипотезы, запускал эксперименты и работал с командой.
Могут дать продуктовый кейс. Например: «У нас падает конверсия в заказ. Как будешь разбираться?» Или: «Как увеличить количество платных подписчиков в два раза?»
Здесь важен не единственно правильный ответ, а ход мыслей: какие вопросы ты задашь, какие данные запросишь, как сформулируешь гипотезы и по каким метрикам оценишь результат.
Она есть не везде и сильно зависит от команды. На встречу могут прийти аналитик, проджект или технический лидер.
Аналитик спросит про метрики, дизайн A/B-теста, статистическую значимость и экономику запуска. Проджект или техлид — про постановку задач, зависимости, работу с разработкой, риски и то, что ты будешь делать, если ресурсов не хватает, а запуск нужен через две недели.
Снова обсуждают опыт и дают кейсы, но обычно смотрят уже шире: как ты принимаешь стратегические решения, понимаешь бизнес, работаешь с неопределённостью и конфликтующими интересами.
Получается, что собеседование продакта — это не экзамен по одной конкретной дисциплине. Скорее, проверка того, умеешь ли ты собрать вместе данные, исследования, экономику, разработку и интересы бизнеса, а затем принять решение и довести его до результата
Подписаться: @ProdAnalysis
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Поступашки - ШАД, Стажировки и Магистратура
Осенний найм уже на старте!
Осенью запускаются стажировки, открываются вакансии и поэтому август — лучшее время для подготовки: понять, что спрашивают на отборах, оценить свой уровень и закрыть пробелы до начала учебы!
Поэтому не упусти финальную распродажу курсов «СТАРТ» — любой курс всего за 6 490 ₽
➡ Аналитика
➡ Алгоритмы
➡ Backend
➡ Machine Learning
Почему сейчас лучшее время присоединиться:
Выгодное комбо:
➡️ Алгоритмы + любой курс всего за 9 990 ₽⬅️
Берите Backend, ML или Аналитику и параллельно ботайте алгоритмы — они встречаются везде, без хороших алгосов не пройти отбор в хорошую компанию.
🔊 Распродажа только 8-9 августа.
Подробную программу смотрите на сайте
📌 Для вопросов и записи на курс напишите менеджеру
Осенью запускаются стажировки, открываются вакансии и поэтому август — лучшее время для подготовки: понять, что спрашивают на отборах, оценить свой уровень и закрыть пробелы до начала учебы!
Поэтому не упусти финальную распродажу курсов «СТАРТ» — любой курс всего за 6 490 ₽
Почему сейчас лучшее время присоединиться:
✔️ Гибкий старт: все лекции по техническим темам уже выложены и доступны — проходите в своём темпе, а куратор остается на связи и проверит дз и проекты.
✔️ Карьерный блок: онлайн-семинарам по софтам. Напишете резюме, которое пройдет скрининг, даже если нет опыта, отработаете самопрезенатицию, пройдёте mock-собеседование с обратной связью.
✔️ Закрытый банк вопросов с реальных интервью Яндекса, Т-Банка, Ozon, WB, Авито и других топ-компаний.
✔️ Разбор текущего отбора на стажировок Яндекса.
✔️ Реферальная рекомендация в бигтех после успешной защиты пет-проекта.
Выгодное комбо:
Берите Backend, ML или Аналитику и параллельно ботайте алгоритмы — они встречаются везде, без хороших алгосов не пройти отбор в хорошую компанию.
Подробную программу смотрите на сайте
Please open Telegram to view this post
VIEW IN TELEGRAM
Дайджест вакансий для аналитиков 💵
Многие не знают, где искать вакансии, поэтому мы сделали это за вас.
Наша первая подборка вакансий для аналитиков!
Здесь собраны актуальные вакансии на стажера/джуна в Озон, ВТБ, Т-Банк и тд.
📌 АНАЛИТИКА
→ ВТБ — Стажёр в «Цифровые помощники»
→ Альфа-Банк — Стажёр в департамент продаж и развития малого и микробизнеса
→ Альфа-Банк — Стажёр в отдел разработки дебетовых продуктов
→ Ozon — Стажёр-аналитик в коммерцию
→ Ozon — Младший аналитик данных
→ Ozon — Стажёр продуктовый аналитик, Производство Fulfillment
→ МТС — Стажёр Data Analyst Geo
→ Т-Банк - Младший продуктовый аналитик
→ Магнит — Стажер-продуктовый аналитик (направление данных и метрик)
Перед откликом внимательно читайте требования и делайте так, чтобы ваш стек и опыт максимально подходил вакансии.
А если есть трудности с резюме, пониманием, как устроен отбор, то ждем вас на курсе аналитика СТАРТ (на них кст идет распродажа) - скоро как раз будут семинары про резюме, софты, поиск работы🤑
Подписаться: @ProdAnalysis
Многие не знают, где искать вакансии, поэтому мы сделали это за вас.
Наша первая подборка вакансий для аналитиков!
Здесь собраны актуальные вакансии на стажера/джуна в Озон, ВТБ, Т-Банк и тд.
→ ВТБ — Стажёр в «Цифровые помощники»
→ Альфа-Банк — Стажёр в департамент продаж и развития малого и микробизнеса
→ Альфа-Банк — Стажёр в отдел разработки дебетовых продуктов
→ Ozon — Стажёр-аналитик в коммерцию
→ Ozon — Младший аналитик данных
→ Ozon — Стажёр продуктовый аналитик, Производство Fulfillment
→ МТС — Стажёр Data Analyst Geo
→ Т-Банк - Младший продуктовый аналитик
→ Магнит — Стажер-продуктовый аналитик (направление данных и метрик)
Перед откликом внимательно читайте требования и делайте так, чтобы ваш стек и опыт максимально подходил вакансии.
А если есть трудности с резюме, пониманием, как устроен отбор, то ждем вас на курсе аналитика СТАРТ (на них кст идет распродажа) - скоро как раз будут семинары про резюме, софты, поиск работы
Подписаться: @ProdAnalysis
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3🍌2
Forwarded from Поступашки - ШАД, Стажировки и Магистратура
У России три пути: 18+, ***** и IT
И кажется, у нас случился переход между карьерными треками…
Нам неважно, какой у человека бэкграунд и чем он занимался раньше. Важно, куда он хочет прийти и что готов для этого делать.
Наша студентка, Алина, решила кардинально сменить сферу, пришла на «СТАРТ» и теперь готовится к своей новой цели — получить оффер в Яндекс.
Можно следить за успехами и учиться вместе с Алиной. На наши курсы старт, идут финальные 4 часа скидки.
➡️ Записаться
И кажется, у нас случился переход между карьерными треками…
Нам неважно, какой у человека бэкграунд и чем он занимался раньше. Важно, куда он хочет прийти и что готов для этого делать.
Наша студентка, Алина, решила кардинально сменить сферу, пришла на «СТАРТ» и теперь готовится к своей новой цели — получить оффер в Яндекс.
Можно следить за успехами и учиться вместе с Алиной. На наши курсы старт, идут финальные 4 часа скидки.
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Поступашки - ШАД, Стажировки и Магистратура
This media is not supported in your browser
VIEW IN TELEGRAM
😁7😈1