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!