Путь в аналитику: два взгляда на инвестиции в себя 🐂


Когда люди хотят вкатиться в аналитику, перед ними вырисовывается дилемма: выбрать бесплатные источники (ютуб, stepik, открытые лекции) или готовые курсы, где всё разложено по полочкам — Python, SQL, статистика и иногда даже помощь в поиске первой работы.

У каждого пути есть свои преимущества и подводные камни.
Поэтому мы с Машей, автором канала RockAnalyst, решили подискутировать на эту тему.
Я расскажу, как вошёл в аналитику без вложений, и почему иногда отсутствие денег на старте — это суперсила.
А Маша расскажет про свой опыт обучения на платных курсах — со всеми плюсами, минусами и неочевидными последствиями таких инвестиций.


Мой путь 🗺

Первый этап: знакомство со сферой 🔍

На 1-м курсе университета был курс по основам Python, но для новичков он шёл тяжело. Летом я сам перепрошёл всё с нуля по курсам «Поколение Python» на Stepik и Ютубу. Это заложило базу и понимание, что аналитика — моё.

Второй этап: погружение 🤿

Изучив Python до хорошего уровня, взялся за курс «Основы машинного обучения» Е. Соколова (ФКН ВШЭ). Он полностью бесплатный на вики-странице ФКН. Идеальный уровень для аналитика, не ML-инженера (для таких есть более глубокий курс МО-1).

Статистику проходил в универе, а позже для углубления обращался к курсам «Основы статистики».
По SQL есть достаточно много открытых материалов, но я выбрал бесплатный курс Карпова и не пожалел. Для нарешивания использую тренажер sql academy.

Третий этап: подготовка к работе 🚀

Пет-проекты — must have. Сделал с командой проект по данным с Kaggle (поддержанные авто): EDA, проверка гипотез, линейные модели. Благодаря этому проекту я не только прокачался в EDA и базовом ML, но и обрел проект, о котором можно рассказать на собеседовании.


Рекомендации 🔝

Все вышеупомянутые курсы могу смело рекомендовать, они хороши для старта.
Если хочется посмотреть что-то на ютубе, есть вот такая подборка, да и в целом там можно найти туториалы по любой теме, особенно на английском.

Также уверенно могу сказать, что без практики знания очень быстро стираются, поэтому рекомендую после прохождения курсов регулярно практиковаться. Для Python и SQL есть много хороших тренажеров (SQL academy, Python tutor). В ml можно практиковаться, участвуя в соревнованиях на kaggle. Полезно изучать решения топ-авторов, например cdeotte.

Главные преимущества бесплатного обучения ➕

Нет риска: не понравилось - перестал смотреть и нашел другой курс

Сообщество: на kaggle есть дискуссии, на Stepik можно найти решения и сравнить со своими вариантами.

Что прокачаете вдобавок к хард-скиллам:
• Самостоятельный поиск — ключевой навык аналитика. На платных курсах его часто «выключают», давая всё готовое.
• Дисциплина — вы сами управляете графиком и мотивацией, а это ценнейший софт-скилл.

Мой путь доказывает, что главное в наше время — не деньги, а любознательность, упорство и умение искать.
Бесплатные курсы — это полноценная образовательная среда, а не вынужденная замена.

А какой у вас опыт?
Делитесь в комментариях! 💬


А теперь — вторая сторона медали. Обязательно прочитайте пост Маши о ее опыте обучения на платных курсах.

❗️Важное дополнение
Весь этот пост — про вход в профессию. Для старта бесплатных ресурсов действительно достаточно, и мой опыт это подтверждает. Но когда уже работаешь аналитиком, потребности меняются: хочется глубже разобраться в конкретных темах, получить структурированные знания от практиков и разобрать сложные кейсы. В таких ситуациях выбор в пользу открытых курсов уже не так очевиден и платные курсы могут стать подходящим вариантом.

Ставьте:
🔥 если было полезно
❤️ если интересны посты про курсы
🤩 если интересны подобные обсуждения с авторами других каналов

#старт_в_аналитике
#софт_скиллы
#образование
#карьера

Идём учить A/B-тесты ⚡️

Недавно задумался о том, в каком разделе аналитики мне больше всего не хватает знаний, и осознал, что A/B тесты на 1 месте с отрывом. Я знаю теорию и даже решал какие-то задачи, но глобального понимания процесса не хватает. Хочется уверенно определять оптимальный метод для эксперимента, правильно интерпретировать результаты.

Я решил, что так это оставлять нельзя и начал ресерч, с целью найти лучшие курсы по A/B и выбрать один из них для себя.

✍️В первую очередь я ориентировался на отзывы аналитиков, прошедших курс, и программу. Мне хотелось найти курс, освоив который я смогу закрыть все пробелы в теории и проработать на практике изученные методы.

✅В итоге мой выбор пал на курс Павла Бухтика. Курс максимально практико-ориентированный: студенты проводят А/B тесты от формулировки цели эксперимента до интерпретации результатов.

Курсом довольны как начинающие, так и опытные аналитики. Для первых - это возможность погрузиться в эксперименты с нуля, для вторых - отличный способ расширить свой кругозор и изучить продвинутые методы.

🚀Павел имеет 7+ лет опыта работы и обладает широчайшей экспертизой в экспериментах. Он сам ведет занятия, проверяет домашки и дает обратную связь.

⏰Осталось 2 дня, чтобы оставить заявку. Следующий поток будет только осенью, поэтому рекомендую не откладывать!

Я хочу прокачаться в A/B, поэтому залетаю на курс. Если тоже хотите - погнали вместе, заявку можно оставить тут

Сегодня уже первая встреча потока, а в понедельник – первое занятие. Осталось всего 5 мест

❗️ Важно: мое решение пойти на курс не противоречит предыдущему посту. Я чувствую, что сейчас мне нужно укрепить свои знания в A/B и считаю, что данный курс - оптимальный вариант для достижения этой цели.

#образование
#карьера

Парадокс Симпсона: ловушка, которую обязан знать каждый аналитик ⚡️


Представьте такую ситуацию: вы исследуете данные, в которых есть 2 группы объектов, в каждой из которых прослеживается одна и та же тенденция. Но когда вы объединяете данные, направление зависимости меняется на противоположное. Поначалу может показаться, что в данных ошибка, но на самом деле это один из известных статистических парадоксов — парадокс Симпсона.

Парадокс становится возможен, когда каждый объект имеет какой-то существенный признак, и внутри групп распределение по этому признаку неравномерное.


Рассмотрим парадокс на примере 🏀

Пусть некий баскетболист в сезоне 24/25 имел такую статистику бросков:

Двухочковые: 80 попаданий из 100 бросков => точность = 80%
Трехочковые: 10 попаданий из 100 бросков => точность = 10%

А в сезоне 25/26 у него такая статистика:

Двухочковые: 41 попадание из 50 бросков => точность = 82%
Трехочковые: 200 попаданий из 500 бросков => точность = 40%

82% > 80% и 40% > 10%. Хочется сделать вывод, что точность баскетболиста улучшилась. Но посмотрим на суммарный процент попаданий:

В сезоне 24/25: 90/200 = 0,45
В сезоне 25/26: 241/550 = 0,438

Как ни странно, точность снизилась.

Почему так произошло? 🤔
Все дело в том, что соотношение бросков между двухочковыми и трехочковыми не сохранилось.


Пример с интернет-магазином 🛒

В прошлом году интернет-магазин имел:

• Десктоп: 1000 посетителей, конверсия 10% (средний чек 50₽)
• Мобилка: 1000 посетителей, конверсия 5% (средний чек 200₽)
Общая конверсия 7,5%, выручка 15 000₽.

В текущем году конверсия упала на каждом типе устройства:

• Десктоп: 2000 посетителей, конверсия 9% (чек 50₽)
• Мобилка: 500 посетителей, конверсия 4% (чек 200₽)

Общая конверсия выросла до 8% (из-за увеличения доли десктопов с высокой конверсией), но выручка упала до 13 000₽ (так как основной трафик теперь идёт через десктоп с низким чеком).


Бонус: здесь разобрал A/B-тест на данных отелей. Конверсия растёт по регионам, но падает в сумме — классический парадокс Симпсона. Можно зайти и покрутить данные.


Почему этот парадокс важен для аналитиков 📢

• Нельзя доверять только агрегированным данным, нужно анализировать страты.
• Особенно критично при оценке эффективности (рекламные кампании, лечение и т.п.).
• Про парадокс любят спрашивать на собеседованиях – стоит понимать суть и уметь построить пример.


Как не попасть в ловушку 🎣

• Всегда смотреть на данные в разрезе важных признаков (пол, возраст, регион, тип устройства).
• Использовать стратификацию перед анализом.
• Помнить про скоринг склонностей (PSM – про него тоже когда-нибудь расскажу), если группы несбалансированны.


А вы сталкивались с парадоксом Симпсона в своей практике?
Делитесь в комментариях! 💬


Ставьте:
🔥 если было полезно
❤️ если интересны разборы популярных вопросов с собеседований
🤩 если интересны посты про статистику

#аналитические_методы
#статистика
#собеседования

Самая скучная, но самая важная привычка в моей работе 🥱

Думаю, каждый из нас хоть раз ошибался и отправлял коллеге неверные данные.
У меня это последний раз случилось на прошлой неделе, поэтому я решил составить себе чек-лист для проверки данных перед отправкой, чтобы в следующий раз не попасть впросак. Этим чек-листом поделюсь и с вами, уверен, многим будет полезно.


Уникальность и дубли 🛍

Нет ли задвоений там, где их быть не должно (id клиента, номер транзакции и т.п.)
В pandas это легко проверить сравнением shape датафрейма и .nunique() по столбцу.
Также у меня в практике были случаи, когда задвоение оказывалось не ошибкой, а бизнес логикой хранения данных. Если при выгрузке из новой для себя таблицы вы видите неочевидные для себя моменты, лучше обратиться к менеджеру данных, чтобы понять по какой логике происходит заполнение витрины.


Контрольные суммы 👆

В данных по платежам, транзакциям часто можно напороться на двойной учет, например, 1 строка – для самой операции, вторая – для перевода между разными статьями баланса банка. В таком случае нас не интересует вторая строка.
Сейчас я когда встречаюсь с новым источником данных по действиям пользователей (переводы, оплаты и т.п.) беру несколько случайных id и смотрю, сколько строк по каждому из них выгружается. Если неожиданно выгружается >1 строки, надо копать глубже.
Также при подсчете сумм, средних и других агрегатов можно смотреть динамику к прошлым периодам для сравнения и проверки подсчетов на адекватность.


Даты 📆

В витринах часто бывает так, что определенным объектам присваивают даты из будущего (например, договор заключен, но сделка состоится только через 2 месяца). Важно знать о возможности возникновения таких случаев и быть аккуратным с фильтрами на дату типа > <. Тут опять же помогает понимание устройства витрины.
Также иногда пропуски дат заполняют одной определенной датой, это можно вычислить по большому количеству строк с этой датой.


Выбросы, аномалии и ошибки в данных 👻

Для детекции таких случаев можно смотреть max, min и mean по выборке.
Если одно / несколько значений сильно выбивается из общей картины, стоит выяснить, выброс это или же ошибка в данных.
Я однажды встретился с витриной, где значение в поле “номинал” заполнялось менеджерами по продажам со слов клиента руками. При этом не было единых правил и кто-то вносил номинал в млн рублей, кто-то в рублях.
Для перевода в единую шкалу (рубли) я использовал if else алгоритм, где например номиналы = 1 интерпретировал как 1 млн.


Типы данных 🗂

Тут объясню на примере. В первые дни работы я еще не знал, что при чтении excel файлов в pandas значения ИНН интерпретируются как числовые, если не задать строковой тип для столбца при чтении файла. Из-за этого я терял некоторых клиентов, так как у них первым знаком ИНН был 0, который терялся при чтении.
Важно всегда проверять типы данных и проверять итоговые файлы на адекватность, иначе риск ошибки очень велик.


Выводы ❗️

Я постарался перечислить основные места, в которых можно накосячить.
Главные советы – проверяйте итоговые файлы на адекватность и будьте уверены, что понимаете устройство витрин. Не стесняйтесь задавать вопросы коллегам и менеджерам данных.

Сохраните этот пост в закладки, чтобы перед важной отправкой пробежаться по списку 📌

А какие методы используете вы для проверки данных?
Пишите в комментариях! 💬

Ставьте:
🔥 если было полезно
❤️ если интересны подобные чек-листы с ошибками
🤩 если просто рады приходу весны

#данные
#чеклист

Мои первые ошибки в аналитике: разбор с последствиями 🫣


Когда я только пришел в аналитику, мои хард скиллы были не на очень высоком уровне, как и софт скиллы, которые я вообще недооценивал.

Сегодня я расскажу 3 реальные истории из первых месяцев работы. Это чисто технические ошибки. А поведенческие ошибки разберет Кристина, автор канала risk & data talks


Неправильно понял бизнес логику поля 🔍

В одной из первых задач я использовал витрину валютных операций с полем direction, которое принимает значения buy или sell.
Я подумал, что buy - значит клиент купил валюту у банка за рубли.
Я выгрузил клиентов по критериям и на основе этой выборки мы запустили кампанию продаж.

Через пару дней начала приходить обратная связь о том, что данные ошибочные и на самом деле многие клиенты из выборки не совершали сделки покупки валюты у банка.
Пообщавшись с коллегами, я выяснил, что оказывается buy - значит банк купил валюту у клиента за рубли.
Выборку пришлось пересобрать, а сейлзы потратили время на отработку неверной кампании.

С тех пор я всегда проверяю логику атрибутов, где может быть неоднозначная интерпретация.


Доверился чужому скрипту без проверки ⚠️

Другой аналитик написал скрипт для поиска определенных клиентов. Я попросил у него скрипт, чтобы переиспользовать для своей задачи.
Проверять скрипт я сначала не стал, просто запустил на нужном мне временном периоде и отправил продакт менеджеру excel файл с результатом.

Но продакт вернулся ко мне и указал на неоднозначность данных: в файле каждый клиент встречался по несколько раз, чего по условию задачи быть не должно. Оказалось, что аналитик, у которого я взял скрипт, решал немного другую задачу, и код нужно было редактировать перед использованием.

Этот случай дал мне понять, что нельзя без проверки использовать чужие скрипты, всегда нужно проверять их и уточнять, какую именно задачу они решают.


Не изучил уникальные значения столбца 👀

В одной из витрин с данными по продажам допустили неточность, и часть сделок хранилась с атрибутом product = «Валютные форварда», а часть – «Валютные форварды».
Однако я изначально увидел только Валютные форварда, и считал доход только по ним.

Спустя время я заметил, что доходы выглядят заниженными. Тогда я наконец выполнил select distinct – и все стало ясно.

Теперь я стараюсь всегда смотреть, какие значения может принимать категориальная переменная в витрине, а в часто используемых скриптах еще и делать это регулярно.


Выводы 💡

Через эти истории я хотел донести до вас, что важнейшим качеством аналитика является умение мыслить критически и задавать вопросы к себе.
Технические ошибки проще заметить, если выработать привычку смотреть на данные под разными углами и проверять себя.

Однажды мой руководитель сказал: «Большое число проблем в компании возникает потому, что разные люди берут разные данные и делают на них разные выводы».


Но есть и ошибки другого рода – поведенческие. Они не менее часто встречаются у начинающих аналитиков.

Именно о таких ошибках рассказывает Кристина в своём канале risk & data talks. Очень рекомендую прочитать её пост и подписаться — там как раз вторая часть нашего совместного разбора.


А какие ошибки допускали вы в начале пути?
Пишите в комментариях 💬

Ставьте:
🔥 если было полезно
❤️ если допускали похожие ошибки
🤩 если нравится формат коллабораций

#жизнь_аналитика
#карьера
#ошибки

Почему ваша аналитика хрупкая (и как это исправить) 🦴

В большинстве случаев выводы по результатам аналитики зависят от допущений, которые мы закладываем. Например, количество активных пользователей можно считать по сессии, а можно по действиям на сайте. При этом можно менять минимальный порог времени для сессии.
Стоит нам хотя бы чуть поменять критерии / пороги, и выводы могут кардинально поменяться. Возникает ощущение, что наша аналитика - хрупкая.

Анализ чувствительности - это способ проверить, насколько выводы зависят от произвольных решений, а также понять, какие пороги / критерии использовать.


Суть метода 🔒

Берем ключевое допущение ( определение, порог, метод ) и варьируем его в разумных пределах.

Если выводы сильно зависят от порога, значит допущение неустойчиво и требует дополнительного анализа или замены.


Примеры 🔬

Какого клиента считать новым? 🆕
Допустим, мы оцениваем эффективность двух рекламных баннеров (тест и контроль). Наша метрика — количество клиентов, совершивших покупку после показа. Но проблема: аудитория сайта ограничена, по‑настоящему новых пользователей почти нет.
Тогда «новым» мы условно называем тех, кто не заходил на сайт последние N дней.
Анализ чувствительности: перебираем разные N (7, 30, 60 дней) и смотрим, как меняется разница значения целевой метрики между тестом и контролем.
Если при всех N тест показывает лучший результат — вывод устойчив. Если при одних N лучше тест, а при других — контроль, значит, эффект зависит от выбранного определения, и нужны дополнительные данные или более строгое определение.


Как выбрать период для прогноза продаж? 📈
Допустим, мы строим прогноз продаж автомобилей в салоне. Но какой промежуток из прошлого брать для обучения модели? 3, 6, 12 месяцев, или еще больше?
Обучаем несколько моделей, а затем сравниваем MAE моделей на одном и том же тестовом периоде.
Если ошибка сильно отличается в зависимости от длины истории, вы можете представить бизнесу не один прогноз, а вилку: оптимистичный сценарий (допустим, 3 месяца), консервативный (12 месяцев). Или углубиться в данные, чтобы понять, какой период действительно релевантен.


Как это внедрить в свою работу (простой чек-лист) 📝

1. Выделите ключевое допущение в вашей задаче (порог, определение, метод).
2. Выберите 2–3 варианта этого допущения (разумные, не экстремальные).
3. Пересчитайте метрику/вывод для каждого варианта.
4. Сравните результаты. Если выводы одинаковы — всё ок, допущение устойчиво. Если различаются — запомните, при каких значениях допущения какой вывод получается. Это станет основой для честной коммуникации с бизнесом.
5. Сделайте выводы для себя: устойчив ли анализ к изменениям в определении? Или сильно зависит от допущений?


Анализ чувствительности не требует сложной статистики, но делает выводы прозрачными для всех и показывает границы применимости этих выводов.
Плюс у такого подхода есть и более простые сценарии применения. Например, я в ad-hoc задачах стараюсь рассчитывать результат для разных порогов, что дает бизнесу более четкое понимание данных и показывает их не в вакууме.
Такой подход повышает доверие к вашей аналитике: вы показываете, что не прячете неопределённость, а управляете ей.


А часто ли вы сталкиваетесь с ситуацией, когда выводы меняются из-за допущений?
Пишите в комментариях! 💬

Ставьте:
🔥 если было полезно
❤️ если часто используете анализ чувствительности
🤩 если интересны посты про такие аналитические приемы

#аналитические_методы
#софт_скиллы

Data-driven подход в повседневной жизни: мои открытия 🍆🏃‍♂️


В последнее время я стал задумываться, есть ли для моей повседневной жизни какая-то польза от того, что я работаю с данными.
Как мне кажется, у всех специалистов в области ds (аналитиков, эконометристов, ml инженеров) есть схожие навыки и преимущества, не связанные напрямую с работой / изучением наук о данных.
Сегодня расскажу о своих привычках / подходах, которые появились благодаря работе с данными. Надеюсь, благодаря посту вы сможете переосмыслить некоторые свои навыки и научиться видеть их применение в абсолютно разных сферах жизни.
А продолжение, как и множество другой полезной информации о работе в ds можете найти в канале Саши.


Проверка гипотез вместо интуитивных решений 🤔

В абсолютном большинстве случаев компании не внедряют что-либо, не проведя эксперимент на малом количестве пользователей.
Такой подход можно успешно перенести на свою жизнь.
Например, я заметил, что влияние кофе на мою продуктивность неоднозначное и есть подозрение, что энергия сильно снижается через 1.5-2 часа после кофе.
Я провел эксперимент: 1 неделю пил 1 чашку кофе днем и отмечал в таблице, насколько я энергичен через 20 минут и через 2 часа после кофе по шкале от 1 до 10. На следующей неделе не пил кофе днем и также заносил уровень энергии в таблицу.
Благодаря этим наблюдениям я понял, что кофе повышает мою производительность на коротком отрезке (до часа), а потом силы резко пропадают. Поэтому теперь я пью кофе только если нужно сделать финальный рывок.


Умение доносить информацию 🗣

Бизнес ждет от аналитиков инсайты и полезные выводы, а промежуточные результаты и сам процесс анализа как правило не вызывает интереса.
Аналитики на работе обретают навык выбирать самую ценную информацию и доносить ее так, чтобы она воспринималась непогруженными в методы анализа людьми и они сразу видели ответы на 2 ключевых вопроса:
Какую пользу нам это принесет?
Как нам это реализовать?
Этот навык очень ценен для любого дела, не только работы. Например, при организации совместного досуга с друзьями я стал тратить меньше времени на рассуждения. Просто предлагаю наиболее релевантные на мой взгляд варианты и четко озвучиваю преимущества каждого


Data-driven подход к жизни 📈

Работа аналитиком дает понимание, что любая статистика может пригодиться и стать импульсом для благоприятных изменений.
Например, я решил отследить, как мое состояние в течение дня зависит от количества часов сна. В течение нескольких недель я вел табличку вида часы сна - состояние днём по шкале 1-10.
Удалось выявить закономерность: если я сплю 7 и более часов, состояние значительно лучше чем при меньшем количестве. При этом после 7 часов состояние не особо улучшается с каждым дополнительным часом. Благодаря этим выводам я смог оптимизировать свой график и стать продуктивнее.


Умение хеджировать риски и сохранять баланс ☯️

В любом эксперименте есть метрики, которые не являются целевыми, но в любом случае не должны упасть под влиянием нововведений ниже определенного уровня.
Так и в жизни, оптимизируя один процесс мы не должны забывать про другие.
Например, сейчас я концентрируюсь на работе и учебе, но при этом понимаю, что мне нужно заниматься спортом не меньше 3 раз в неделю. Поэтому я выделил время в конкретные дни и не пропускаю тренировки, четко понимая, что как бы я ни был загружен, 3 раза в неделю потренироваться нужно.


Выводы ⭐️

Эти навыки и привычки делают жизнь не только более структурированной, но и более интересной и управляемой.
И в целом приятно осознавать что твоя профессиональная деятельность оставляет позитивный отпечаток на всех сферах жизни.

Продолжение — в посте Саши. Там он рассказывает о своих неочевидных сценариях использования DS-навыков в жизни. Рекомендую заглянуть, а ещё лучше — подписаться на его канал, там много полезного про работу в DS.


А какие преимущества в повседневной жизни вам дает работа с данными? Пишите в комментариях! 💬


Ставьте:
🔥 если было полезно
❤️ если ваши плюсы пересекаются с моими
🤩 если нравится формат коллабораций

#жизнь_аналитика
#софт_скиллы

Как аналитику остаться нужным в эпоху AI? 🆘

Сейчас все активно обсуждают влияние AI на разные профессии и адаптацию рынка труда к технологическим трендам.
Мы с Ильей, автором канала «Кусочек пиццы» решили поделиться с вами нашими мыслями о влиянии AI на аналитиков.
Илья расскажет о том, насколько реально высоки риски быть замещенным AI в перспективе нескольких лет, а я сфокусируюсь на адаптации аналитиков к прогрессу AI.


Что уже умеет AI и чем может быть полезен? 🤔

Нейросети могут четко выполнять поставленные задачи, корректировать свое решение. Они знакомы с основными аналитическими методами.

Возникает тогда резонный вопрос, а чем тогда junior-middle специалист лучше них?
Ответ, на мой взгляд, кроется в уровне погружения в бизнес процессы и умении интегрировать результаты своей работы в них.

Человеческого участия пока требуют как минимум:

· Погружение в бизнес-контекст. Нейронка не знает вашей компании, продуктов, ограничений — ей не задашь уточняющий вопрос.

· Критическая проверка результатов. Может пропустить парадокс Симпсона или смещение — опытный аналитик видит подвох там, где нейросеть проходит мимо.

· Коммуникация и продажа решений. ИИ напишет письмо, но не убедит продакта в споре.

На самом деле при грамотных промптах AI может находить точки роста/проблемы бизнеса, и со временем, как мне кажется, такой сценарий использования нейронок будет развиваться.

Так чем же может быть полезен AI аналитику? ➕
Для себя я выделил основные направления в которых он мне приносит реальную пользу:

· Несложные рутинные задачи (например: составь Python словарь вида валюта: страна для следующих валют:…)

· Свежий взгляд на решения: если рассказать нейронке про свой проект и спросить: что я мог упустить? Могут вскрыться реально важные моменты, у меня так было не раз

· Помощь с кодом: в некоторых случаях оптимально поручить написание кода нейронке и потом самому провалидировать результат. Рассказывал в этом посте про свой проект, где был успешно применен данный метод


Что будет дальше? ⏩

Я считаю, что в ближайшие несколько лет осознанные аналитики не рискуют потерять работу, но для каждого важно будет постепенно адаптироваться.
Вот мои мысли насчет адаптации:

· Максимально углубляться в предметную область.
Вследствие развития AI фокус аналитиков смещается от чистой работы с данными к предыдущему этапу - формированию гипотез, а это невозможно без высокого уровня погруженности в бизнес процессы.

· Развивать критическое мышление. Когда AI выполняет технические задачи, важно умело проверять его и корректировать. Тут помогает понимание, что вы уже сэкономили время на, например, написании кода, и можете выделить время чтобы качественно провалидировать результаты.

· Перенимать успешные практики.
С каждым годом появляется все больше новых нетривиальных задач, которые люди решают с помощью AI. Многие из них попадают в открытый доступ. Полезно периодически просматривать такие кейсы, часть из них точно можно тем или иным образом перенять.

Обязательно прочитайте пост Ильи, чтобы получить полную картину. Рекомендую подписаться, посты на другие темы тоже заслуживают внимания!

А вы уже делегируете задачи нейронкам? Какие задачи делаете только самостоятельно?
Пишите в комментариях! 💬


Ставьте:
🔥 если было полезно
❤️ если согласны с моими методами адаптации к прогрессу
🤩 если не боитесь захвата нашей профессии AI

#карьера
#коллаборация

Как заставить работодателя запомнить вас 😮


Многие популярные авторы говорят про сильное преобладание предложения над спросом на рынке труда аналитиков.
Ситуация сейчас обратная той, что мы могли наблюдать в постковидный 2021 год, когда найти работу аналитиком в РФ, в том числе без опыта, было в разы проще. Прохождение курсов практически гарантировало людям попадание на джун позицию, причем поиск был как правило недолгим.
Сейчас же индекс hh в IT достиг 22,9 — на одну вакансию приходится 23 активных резюме. Эту статистику и её динамику Таня привела в своём посте

Сегодня мы с Таней, автором канала tannia_ba решили с разных сторон рассмотреть текущую ситуацию на рынке и дать конкретные советы, как выделяться даже в таких конкурентных условиях.


Акцент на софт-скиллах 🗣

В условиях огромного количества кандидатов на вакансию сложно выделиться с помощью хард скиллов, так как их набор в целом ограничен и действительно зарешать тут могут только годы опыта.
Поэтому на первый план выходят софт-скиллы. На собеседованиях все чаще можно услышать вопросы типа «Расскажите про успешный опыт презентации результатов своей работы» или «Были ли у вас конфликты с коллегами? Как вы выходили из них?»
Мне например с точки зрения зон для роста старшие коллеги часто рекомендуют обратить внимание на public speaking.
Также одним из ключевых навыков на собесах можно назвать умение быстро мыслить в рамках заданных кейсов. Даже если решение не совсем верное, оценивают скорость и направление мысли. Мне на собесах часто давали фидбэк типа “у тебя хорошо работает голова” – значит, это ценят.


Портфолио 💼

Многие люди, когда нанимают к себе в команду, хотят не только послушать про то, какие проекты ты реализовал у себя на работе, но и посмотреть что-то. Многим интересно, насколько чистый код у их потенциального коллеги.
Для этого можно вести GitHub. Я например выкладываю туда все домашки с кодом, перед этим немного причесывая их, чтобы смотрелось хорошо: убираю лишние ячейки, добавляю недостающие комментарии и т.п. Буквально несколько месяцев назад на одном из собеседований нанимающий руководитель зашёл на мой GitHub, так что всё не зря). Но не обязательно выкладывать всё подряд, достаточно 3-4 сильных проекта с чистыми ноутбуками и выводами
При этом я бы рекомендовал делать упор на выводах, так как ключевым навыком аналитика является именно умение интерпретировать свой анализ. Вроде очевидно, но многие концентрируются на технических деталях и забывают про это.


Упаковка опыта под конкретную вакансию 📦

Довольно трудозатратный шаг, но очень ценный. Я бы рекомендовал применять его, если вам очень понравилась вакансия и вы понимаете что есть немаленький шанс быть приглашённым на собеседование. Не стоит переписывать всё, важно добавить 1-2 пункта в раздел “Достижения” или “Проекты”.

В любом случае у каждого из нас уже есть готовое резюме, и как правило оно хорошо отражает наш опыт. Но подсветить именно задачи, пересекающиеся с тем, что согласно вакансии, вам предстоит делать на новой работе – очень ценно и реально может сыграть решающую роль.

Например, в вакансии написано: “вам предстоит проводить глубинные исследования”.
Значит, в резюме в раздел “Достижения” можно в явном виде добавить:
“Провел исследование причин оттока клиентов и предложил решение проблемы, что снизило отток на 35%”.

Продолжение читайте в посте Тани. Рекомендую подписаться, чтобы не пропустить посты на интересные темы!
Я считаю, что перечисленные нами методы могут существенно повысить вашу актуальность на рынке труда в столь трудные для него времена и помочь находить лучшие офферы

А как вы адаптируетесь к таким изменениям на рынке?
Пишите в комментариях 💬

Ставьте:
🔥 если было полезно
❤️ если нашли свои методы адаптации
🤩 если просто верите в лучшее

#карьера
#коллаборация

Корреляционный анализ 🔗

Недавно был пост про отличия корреляции и причинно-следственной связи.
Сегодня же расскажу подробнее про корреляционный анализ, рассмотрим его со всех сторон.
Некоторые методы я сам узнал не так давно, поэтому думаю будет полезно не только новичкам.


Зачем нужен корреляционный анализ? 🤔

Корреляции помогают оценить силу связи между переменными. Это полезно на этапе исследования данных, как перед моделированием, так и например для выявления инсайтов. Например, анализ корреляций помогает выявить мультиколлинеарность.
Также корреляционный анализ используется для поиска прокси переменных в А/Б тестах. Прокси переменные - переменные, сонаправленные с ключевой метрикой эксперимента. Используются, чтобы быстрее замечать влияние на ключевую метрику.
При этом важно не забывать про статистическую значимость этой связи и интерпретировать корреляции в связке с ней.
Я собрал для вас подробный гайд, где на датасете применяю все методы, описанные в этом посте, сохраняйте и пользуйтесь


Как провести корреляционный анализ?

Первый шаг - визуализации 📈

Классическим вариантом визуализации является heatmap.
Как правило его строят для непрерывных переменных, но можно сделать и кастомный вариант.
Также для непрерывных переменных можно построить scatterplot с линией тренда.
Визуализации помогают увидеть выбросы и нелинейности, в случае которых обычная корреляция Пирсона может не подойти.

Измерение корреляций ➕

Здесь важно отталкиваться от типа данных, связи которых мы измеряем.

Непрерывный + непрерывный:
Для таких данных в большинстве случаев подходит обычная корреляция Пирсона (которую как правило и называют корреляцией). Она измеряет силу линейной связи. Если вы заранее понимаете что зависимость нелинейная, лучше использовать методы, описанные далее.
Если есть выбросы и/или зависимость нелинейная, например как описано здесь, подходят корреляции Спирмена и Кендалла, при этом Кендалл лучше приспособлен к малым выборкам.

Непрерывный + бинарный:
Для таких случаев принято использовать точечно-бисериальную корреляцию.
Это один из подвидов корреляции Пирсона.

Непрерывный + категориальный (>2 категорий):
Для такой связки используют корреляционное отношение эта. По сути оно измеряет долю дисперсии непрерывной переменной, объяснённую категориальным признаком.
Измеряется тоже от 0 до 1, где чем больше - тем сильнее связь.

Категориальный + категориальный:
Для таких случаев подходит коэффициент V Крамера. Измеряется от 0 до 1.

Остальные связки типов переменных решил не расписывать здесь, инфо по ним можно посмотреть в гайде.


Как интерпретировать корреляции? 😮

Во-первых, всегда нужно измерять статистическую значимость корреляции. В гайде есть функции расчета p-value для каждого метода. Только если корреляция оказалась статзначимой, можем приступать к непосредственной интерпретации (по модулю):
0 - 0.3 слабая связь
0.3 - 0.7 умеренная связь
0.7 - 1 сильная


Подводные камни ❗️

Во-первых, корреляция не всегда означает причинно-следственную связь.

Во-вторых, даже если связь есть, нельзя интерпретировать её как единственный драйвер.
Например, температура воздуха в Сочи влияет на количество туристов. Но на это количество влияет еще и множество других факторов (экономическое положение, цены на аренду жилья, количество других курортов и т.д)


А вы используете корреляционный анализ? Знали про все виды корреляций из этой подборки? Пишите в комментариях 💬

Ставьте 🔥 если нравится такой формат: пост с разбором + ноутбук с кодом

#аналитические_методы
#гайд

Быстро и чётко: пушим коллег вежливо 📞


Многие люди, не только аналитики, часто боятся быть навязчивыми. Из-за этого проекты и задачи могут буксовать, а их сроки сгорать.
Баланс между вежливостью и ориентированностью на результат - очень хрупкий. С одной стороны хочется выполнить все как можно быстрее, с другой стороны многое часто завязано на коллегах, которых не хочется постоянно пушить.

Сегодня на примерах разберу свои подходы к этому вопросу, которые выработал с начала карьеры.


Каналы общения 🇷🇺

Многие мои коллеги редко просматривают рабочую почту. При этом файлы и большие сообщения удобнее всего отправлять именно через почту.
Поэтому я часто подкрепляю письмо сообщением в тг или корпоративном мессенджере. Если вопрос не срочный, это можно делать не сразу, но на самом деле не вижу ничего плохого и в том, чтобы сразу написать в мессенджере.

Однажды я отправил важный файл на почту, а разработчик долго не отвечал. После этого я стал дополнительно писать в телеграм сообщение типа: «Привет! Отправил на почту файл с новыми клиентами, как обсуждали».
Такой формат оказался успешнее.

Так мы убиваем двух зайцев: не даем сообщению потеряться и повышаем приоритет важных для нас задач.


Продвижение проектов 🚀

Замечаю за собой, что иногда увлекаюсь ведением проекта параллельно с другими задачами и тем самым теряю время.

Иногда лучше выделить несколько часов подряд на застоявшийся проект и получить по нему прогресс. Так будет легче идти дальше.

Тут мне помогает вариант собрать встречу со всеми участниками проекта.
Так можно быстро синхронизироваться, наметить кратко и долгосрочные цели и конкретные шаги с дедлайнами.

К встречам я стараюсь по возможности готовиться, так они получаются максимально продуктивными.

Например, один из продакт менеджеров почти всегда сильно загружен, поэтому может пропустить письмо или не успеть / забыть отправить инфо.
Поэтому для взаимодействия с ним у меня определенный формат: когда накапливается несколько тем для обсуждения, я ставлю встречу и к ней подготавливаю вопросы и сводное инфо по каждому проекту, на каком мы этапе и что планируем.
Такой формат помогает за +- час закрыть все актуальные вопросы и наметить план действий.


Пушинг 📣

Многие опасаются, что их напоминания раздражают коллег, поэтому надеются, что коллеги все помнят, и лишний раз не пингуют их.

В какой-то момент я осознал, что в большинстве случаев такая стратегия не работает, и проекты просто простаивают.

Например, если кто-то обещал прислать файл до конца дня, но не прислал, стоит напомнить утром, а потом еще раз на следующий день.

Один из коллег недавно не прислал обещанный файл мне. Я написал: «Привет! Получится ли завтра сбросить файл? Просто задача достаточно срочная».
Он ответил, что завал, и попросил перенести на послезавтра. Мы скорректировали сроки, и все остались довольны. Главное — найти решение.


А как вы сохраняете баланс между вежливостью и желанием добиваться прогресса по задачам?
Пишите в комментариях 💬

Ставьте:
🔥 если было полезно
❤️ если интересно почитать еще посты на данную тему
🤩 если активно используете описанные методы

Как я систематизировал знания по A/B (и вам советую) 🔝


Ранее я анонсировал курс по A/B-тестам. Курс уже подходит к концу, поэтому сегодня поделюсь впечатлениями.


Осенью я изучал A/B и статистику самостоятельно, по открытым курсам. Я изучил много теории и даже попрактиковался, выполняя домашки, но системного понимания, как планировать и проводить эксперименты в реальных продуктах, у меня не сформировалось.
В основном на этих курсах разбирались «идеальные» кейсы: большая выборка, нет особых бизнес ограничений, чувствительные метрики.
В общем, проводи t-test и кайфуй 🕺

Мне же хотелось разобраться в более сложных и интересных случаях, научиться связывать возможности экспериментов с потребностями бизнеса, а что самое важное, получить обратную связь от компетентного аналитика.

Потом я узнал о курсе Павла Бухтика, попал на курс, и разрозненные знания начали собираться в единый пазл 🧩

На лекциях и практических занятиях разбирались все аспекты до мелочей, а домашки и обратная связь по ним помогали применить теорию на реальных кейсах.
Кроме того, Павел лично созванивается с каждым участником на 15 минут перед стартом, чтобы ответить на вопросы и помочь определить цели.

Один из главных плюсов курса в том, что в ходе выполнения ДЗ участник не только работает с данными в python, но и полностью планирует эксперимент, подготавливая презентацию для бизнеса.
Такой подход максимально приближает обучение к реальной работе. Каждая домашка реально давала мне новые навыки, и по сути была цельным пет-проектом.
Также большим плюсом я считаю огромное количество дополнительных материалов по каждой теме (не менее 10 источников - статьи, видео и т.д) 🤩

Курс охватывает не только классические А/B, но и квази-эксперименты. Он подойдет как новичкам, так и тем кто уже знаком с продуктовыми экспериментами и проводит их, но хочет разложить знания по полочкам.

Параллельно с курсом, я проходил собесы в разные компании на продуктового аналитика. Об этом напишу отдельные посты, но могу сказать точно, что курс с запасом покрывает всё, что могут спросить по экспериментам при отборе на позицию продуктового/дата аналитика.


Уже пятницу стартует новый поток курса (осталось 2 дня!)
На нем будет не только аналитики, но и продакты!
Домашки будут выполняться в парах аналитик + продакт, как в реальных рабочих условиях. Как по мне, это супер преимущество, которого просто не найти на рынке.

Осталось всего 4 места для аналитиков. Успейте записаться и прокачать свои навыки! 🚀


#образование
#карьера

Сторителлинг для аналитика: главные принципы 🗣


Презентация результатов своей работы - один из важнейших этапов любого проекта. Если плохо представить даже сильный по содержанию проект, его могут не оценить. В самом начале своего профессионального пути и я допускал много ошибок, поэтому решил разобрать самые серьезные из них и вспомнить примеры из своей практики.


Отсутствие персонализации 🤗

Персонализация заключается в понимании, какой материал может воспринять аудитория, и какой для нее реально важен и полезен. Например, продакт менеджер, скорее всего, не разбирается в ml моделях на уровне архитектуры. Для него главное - увидеть реальную пользу, которую может принести модель, обсудить возможные риски и сроки внедрения. Руководителю и другим data people же, наоборот, могут быть интересны технические детали.

Для меня тут выходом стало использование приложений (дополнительных слайдов в конце). Их можно использовать как в pptx презентации, так и, например, в word документе. Можно сделать большую презентацию, а потом варьировать приложения исходя из аудитории. Для бизнеса, например, в приложения можно поместить технические детали, с которыми бизнес ознакомится по желанию.


Недостаточное внимание пользе проекта и уход в детали ➕

В первую очередь слушателям интересна потенциальная выгода от проекта. Она не обязательно выражена в деньгах, это могут быть сэкономленные часы сотрудников, лояльность пользователей.
На таких бенефитах стоит базировать свой рассказ, это всегда располагает слушателей.
Многие склонны по ходу повествования уходить в детали - например, нюансы выбора с спецификации модели.

Как мне кажется, в презентации каждого проекта необходимо ответить на эти вопросы:

- какая польза от проекта в кратко и долгосрочном периоде (желательно с подтверждением на ретроспективных данных и рассчетом ожидаемой выгоды)?

- сколько времени и ресурсов займет/заняла реализация?

- рассмотрены ли альтернативные подходы к решению задачи?

Все остальное можно осветить кратко.


Отсутствие плана рассказа 📝

Со стороны слушателей это очень бросается в глаза. Даже при наличии слайдов стоит уделить 20-30 минут времени подготовке плана рассказа. Я например выписываю себе на листок главные пункты, и ближе к концу проверяю, что осветил все.


Много текста на слайдах 🌟

Принцип «Один слайд - одна мысль» хорош, но бывает тяжело реализуем.
Я предпочитаю использовать его уже скорее для проверки, а при подготовке просто стараться не перегружать слайды, особенно текстом. Мой любимый формат слайда - график/таблица + 1-2 ключевых тезиса.
Если презентация изначально не для чтения, 5 строк на слайд - максимум.

А какие принципы используете вы для презентации своих проектов?
Пишите в комментариях 💬

Ставьте:
🔥 если было полезно
❤️ если узнали свои ошибки
🤩 если ждете еще посты про сторителлинг

Карьерный поворот: часть 1 - предыстория 😜


Последние несколько недель были непростыми - нужно было передать свои проекты коллегам на прошлой работе и влиться в новые процессы. Сегодня расскажу вам про причины перехода, а в следующих частях про поиск работы, переход и первые ощущения от нового места.


Почему я решил искать новую работу? 🤔

В конце прошлого года я много думал о том, как я хочу строить карьеру в ближайшие годы.
При этом в Сбере у меня был достаточно широкий диапазон задач, и сложно было отнести меня четко к дата- или продуктовым аналитикам.
Плюс в моем направлении из-за специфики продуктов сложно было проводить эксперименты, что оказалось важным фактором для меня.

От многих людей из комьюнити я слышал мнение, что самое интересное, что есть в аналитике - это эксперименты во всех их проявлениях. Я во многом согласен с этим, есть ощущение, что тут точно есть что изучать, куда расти, не виден потолок.

Тогда я решил, что хочу перейти в продуктовую аналитику.
На моем этапе важно получить практический опыт в онлайн экспериментах и продуктовых исследованиях, научиться оптимально выстраивать дизайн экспериментов.

Также важным для меня было понимание, что в долгосроке мне больше интересны B2C, чем B2B продукты. Мне интересно исследовать пользовательский путь, да и простор для гипотез здесь больше. Продуктовые аналитики в постоянном контакте с менеджерами продуктов, что определенно развивает бизнес мышление и дает возможность посмотреть на проблемы продукта и пользователей под разными углами.
Я считаю это очень ценным, особенно для тех, у кого есть желание когда-то построить собственный бизнес.
Плюс здесь видно влияние твоей работы на удобство пользователей, что меня очень вдохновляет.

Не безразличен мне был и формат работы. В моем департаменте в Сбере было невозможно даже пару дней в неделю работать удаленно, а я хотел гибридный или удаленный формат.


В следующем посте расскажу про отклики, собеседования, покажу свое резюме.

Пишите в комментариях, что думаете по такому формату постов и в целом ваши мысли🙃

Ставьте ❤️ если понравился пост и 🔥 если ждали новые посты

#карьера
#жизнь_аналитика

Карьерный поворот: часть 2 - поиск 👌


Обязательно прочитайте первую часть, если не видели.


Где я искал вакансии? 💬

Лучшим источником вакансий сейчас я считаю тг каналы. Туда дублируется абсолютное большинство вакансий с LinkedIn и сайтов компаний. Подписавшись на 3-4 канала можно покрыть ~99% рынка.


Воронка 🪣

Поиском работы я занялся в феврале.
Предпочтений по конкретным компаниям у меня не было, но в первую очередь рассматривал бигтехи и банки.
У меня не было большого опыта в прохождении тех собесов, поэтому я откликался на вакансии не только продуктовых, но и на дата аналитиков, чтобы потренироваться проходить собесы да и в целом посмотреть на рынок.
Откликался я на мидл и джун+ вакансии.

Поначалу я откликался со старым резюме и конверсия в тех собес была низкой.
Потом я решил переписать резюме, сделав акценты на работе с продуктом и ценных результатах проектов. Это принесло свои плоды и конверсия в собеседования выросла.

В итоге за ~3.5 месяца я прошел 7 тех собесов. Благодаря этому я научился лучше решать продуктовые кейсы, прокачал проблемные теоретические темы и самопрезентацию. Всем кто ищет работу рекомендую проходить как можно больше собеседований, это реально полезно.
На последних собесах я уже показывал себя очень достойно в плане проф знаний и в целом был уверен в себе.


Что было на собесах? 👀

Лайвкодинг присутствовал на всех моих тех собесах. SQL был в 100% случаев, Python чуть реже. Задачи на sql были очень похожи на всех собесах: если используете sql в работе и не будете сильно волноваться - хорошо справитесь. По Python (если до собеса не заявлено, что будут алгоритмы 🤩🫠) все тоже достаточно тривиально: чаще всего спрашивают синтаксис, pandas + numpy + scipy и умение сделать быстрый EDA анализ.

На позиции продуктовых аналитиков всегда есть вопросы по теории A/B тестирования. В основном спрашивают теорию классических А/Б, но тут зависит от места.

В конце обычно дают кейс, где нужно разобрать проблему, предложить варианты решения, задизайнить эксперимент и подвести итоги. Очень важный этап, так как здесь собеседующие хотят понять, имеет ли кандидат продуктовый майндсет. Важно не забыть про бизнес аспекты, заградительные метрики и прочие подобные моменты.
Кейс обычно связан с деятельностью команды, так что тут можно неплохо подготовиться, если заранее поспращивать hr о команде и продукте.


Лайфхаки и рекомендации 👍

Из каждого утюга сейчас говорят о том, насколько изменился рынок труда и как трудно найти работу в аналитике/ds.

Мои ощущения по итогам этого поиска такие: если действительно разбираться в своей области, найти желанную работу можно, хоть и займет это скорее всего побольше сил и времени, чем в условном 2023. Конкуренция однозначно выросла, но благодаря этому и мы с вами можем стать сильнее)

Вот что я бы порекомендовал:

1️⃣ Уделите внимание составлению резюме.
Фокус на достижениях и экспертизе. Если не имеете опыта в конкретной области или не работали с похожими продуктами - ищите пересечения.
В комментариях к посту можете увидеть мое резюме, давшее неплохую конверсию.

2️⃣ Готовьтесь к каждому собеседованию.
Если поресерчить метрики продукта, будет намного проще решить кейс. С подготовкой списка теор вопросов неплохо справляются нейронки, если дать контекст.

3️⃣ Подготовьте рассказ о себе.
Он должен быть кратким и по делу, я делал фокус на опыте работы и своих результатах. Образование и курсы тоже можно упомянуть, если они релевантные.
Про все остальное лучше рассказать если спросят.

4️⃣ Верьте в себя.
Не бойтесь откликаться, даже если не хватает экспертизы или, например, нескольких месяцев опыта. Требования в вакансиях - ориентир. Куда важнее как кандидат пройдет собеседование и насколько он умеет приносить результат.
Волнение трудно нейтрализовать полностью, но на собесе нужно стараться концентрироваться чисто на текущем вопросе. Больше опыт прохождения собесов = меньше волнение.


В следующем посте расскажу, куда я в итоге прошел и чем занимаюсь.

Ставьте 🔥 если мой опыт полезен для вас и 🤩 если согласны с моими рекомендациями

#карьера
#жизнь_аналитика