❓Правда ли, что сейчас от джунов требуют как от мидлов 6 лет назад?

Эту фразу я слышу постоянно, поэтому решил проверить её не по ощущениям, а по публичным матрицам компетенций и карьерным трекам аналитиков.

Взял 5 срезов за 2020–2026 годы и привёл разные формулировки к одинаковым блокам:

- SQL,
- Python,
- статистика,
- A/B,
- визуализация,
- постановка задачи,
- работа со стейкхолдерами
- самостоятельность.

Что требовали от Junior в 2020–2022:

3 из 3 — SQL,

3 из 3 — статистика,

3 из 3 — Python/R или другое программирование,

3 из 3 — работа в основном с уже хорошо описанной задачей.

То есть джун, который четыре года назад умел только SELECT *, в публичных матрицах не находится — техническая база уже тогда была вполне серьёзной.

В актуальных треках SQL и статистика никуда не делись, а вот Python даже не везде входит в обязательный минимум Junior.

Более того, там, где удалось сравнить одну и ту же матрицу до и после пересмотра, часть технических требований стала мягче: например, ML перестал быть обязательным минимумом для Middle.

❌ Поэтому история «Junior-2026 = Middle-2021 по хардам» не очень подтверждается на исследуемых исторических данных.

А вот в описании самой работы сдвиг заметен сильнее.

Раньше Junior почти всегда работал с уже поставленной задачей, а от Middle могли даже не ждать самостоятельного поиска задач.

Сейчас от Middle гораздо чаще ждут, что он сам ведёт задачу, работает со стейкхолдерами, участвует в discovery и отвечает за результат.

Получается любопытная штука. За 4–6 лет сильнее вырос не список технологий, которые нужно знать.

❗️Поменялось то, где проходит граница самостоятельности.

Если раньше рост чаще описывали через «знает глубже SQL/Python/статистику», то сейчас гораздо сильнее звучит другая шкала:

Junior — решает поставленную задачу.

Middle — самостоятельно ведёт проблему до результата.

И вот это, кажется, намного точнее объясняет, почему сегодня многим тяжело перейти из Junior в Middle, даже если с технической частью у них всё нормально.

Не нравится текущая роль. Что делать?

Частая ошибка — думать, что смена направления = начать карьеру заново.

Например:
ML-инженер → Data Scientist → продуктовый аналитик.

На бумаге это разные профессии. Но опыт между ними не обнуляется.

Главное — не продавать название прошлой должности, а показать переносимые навыки:

• работа с данными и SQL/Python;
• гипотезы и эксперименты;
• статистика и метрики;
• умение доводить анализ до решения.

Поэтому вместо:
❌ «Я раньше не работал продуктовым аналитиком»
✔️лучше объяснить, что из прошлого опыта уже подходит новой роли → чего не хватает → как этот гэп закрывается.

Самое главное не обнуляйте свой опыт из-за другого названия должности.

Так можно сменить траекторию без понижения в грейде, а иногда и с ростом.

В следующем посте можем разобрать на конкретном примере, как переписать опыт из одной роли под вакансию продуктового аналитика.

🐳 — хочу конкретный пример

На канале новое видео 👛

Делимся советами и лайфхаками о том, как проходить испытательный срок без тревоги, переработок и выгорания 👩‍💻

В видео разбираем, как договориться с руководителем о конкретных ожиданиях, правильно расставить приоритеты, показать результат и выстроить репутацию человека, на которого можно спокойно положиться.

☑️ Смотри видео и забирай чек-лист: он поможет пройти первые 90 дней с понятным планом

Хочу познакомить вас с Богданом — автором канала Data Driven / Bogdan Ivanov

Богдан — дата-аналитик и ментор, работал в Альфа-Банке, ВТБ, Philip Morris и Магните. На канале пишет о том, с какими задачами аналитик сталкивается в разных бизнес-доменах, как их решать на практике и как устроены бизнес/архитектура данных внутри компаний.

Что можно почитать:

➖ серия постов про Causal Inference: как оценить эффект, когда A/B-тест не провести
➖ материалы по A/B тестам и MDE
➖ MPP vs SMP и как устроен Greenplum
➖ Trino + Iceberg: как выглядит современная Data Lakehouse архитектура
➖ обзоры собеседований с вилками и советы по резюме

Если хочется расти в аналитике и понимать, какие навыки реально требуются на рынке, загляните в @data_driven_bogdan

Принимать или не принимать оффер?

Новое видео уже на канале 👛

Разбираю 5 вопросов, которые помогут оценить оффер и понять, что обсудить с работодателем.

👍 Подписывайтесь и расскажите в комментариях какой критерий для вас решающий при выборе работы?

Какие методы стали заметно чаще встречаться у продуктовых аналитиков за последние 6 лет?

После прошлого поста про грейды решил посмотреть на другую сторону профессии — как поменялся технический инструментарий аналитика.

Большинство методов ниже существовали и раньше. Но за последние годы они заметно чаще стали появляться не только в статьях и докладах, но и в вакансиях и реальной продуктовой практике.

Если в 2020–2021 вокруг аналитики чаще крутились классические A/B, t/z-тесты, bootstrap, регрессии, ML, Spark и хороший Python, то сейчас всё чаще встречаются:

✅ CUPED / variance reduction — уменьшать дисперсию и ловить меньшие эффекты
✅ Sequential testing — корректно принимать решение до фиксированного конца теста
✅ Линеаризация / delta method — работать со сложными ratio-метриками
✅ Difference-in-Differences — оценивать эффект без классического A/B
✅ Synthetic Control — строить искусственную контрольную группу
✅ Matching / PSM — сравнивать более похожие группы без рандомизации
✅ Geo experiments — проводить эксперименты на городах и регионах
✅ Switchback experiments — чередовать тест и контроль во времени
✅ Causal inference — отделять причинный эффект от простого совпадения
✅ Uplift / HTE — искать группы пользователей, на которых эффект отличается

Хороший пример такого сдвига — CUPED. Ещё в 2020 году про него писали как про сравнительно новую production-технику и отдельно объясняли, зачем она вообще нужна. Сейчас CUPED уже спокойно встречается в требованиях к продуктовым аналитикам рядом с другими методами работы с экспериментами.

Уникальные hard skills никуда не исчезли — просто поменялось то, за что теперь платят.

В зрелых продуктах большие эффекты уже сняты, и команды всё чаще борются за +1–3%. Поэтому ценнее становится не тот, кто просто хорошо считает A/B, а тот, кто умеет найти и доказать эффект там, где его почти не видно.

🐳 – Если пост наберёт 20 реакций, следующим постом соберу чек-лист материалов по всем этим методам: что читать, смотреть и в каком порядке разбираться.

Реакции поставили — заслужили список статей по самым хайповым методам в продуктовой аналитике 🔥

Я сам когда изучал эти методы постоянно натыкался на статьи из списка и перечитывал их не один раз📝

привет!👋

хотим узнать тебя поближе

поэтому запускаем серию анонимных вопросов!