Как многолетний опыт в Excel разбивается о BigTech за неделю 🫠

Всем привет! Меня зовут Андрей, я продуктовый аналитик в Услугах. До Авито я строил карьеру в «аналоговом» мире: ретейле, производстве. Там я был королём Excel и повелителем сводных таблиц.

Но BigTech разбил мою уверенность о суровую реальность. Оказалось, что опыт «прошлой жизни» придётся перепрошивать.

Как я менял своё аналитическое мышление

1️⃣В офлайне всё бинарно. Если цифры не сходятся до копейки, значит, где-то ошибка. Идёшь проверять все формулы в файле

В Авито перед тобой терабайты данных, и искать «пропавшую копейку» — путь в никуда. Пришлось учиться мыслить вероятностями.

🟩Раньше: «Мы продали ровно 105 пылесосов».
🟩Сейчас: «С вероятностью 95% изменение конверсии в пределах $[1.2\%, 1.8\%]$».

Точность до знака уступила место статистической значимости.

2️⃣ Данные — не таблицы, а поток. В «прошлой жизни» всё было статично: продажи за неделю, остатки на конец дня. Скачал выгрузку, свернул в сводную, сделал отчёт.

В Авито данные — это бурлящая река. Ты не можешь просто «скачать всё и покрутить». Приходится учиться мыслить категориями потоков событий. Теперь я не «скачиваю». Я строю фильтры и агрегаты до того, как данные коснутся моего экрана.

3️⃣ От «фиксатора» к «исследователю». В ретейле аналитик часто работает «зеркалом»: говорит бизнесу, что произошло вчера.

В BigTech этот вопрос закрывают автодашборды. Теперь моя работа начинается там, где нужно ответить на вопрос «Почему это случилось и что делать?». Для этого нужно перестать считать, а начать копать: выдвигать гипотезы, проверять их на A/B-тестах и искать точки роста там, где на первый взгляд всё «ровно».

‼️ Итог. Переход в BigTech — это не изучение нового софта (хотя SQL и Python теперь мои лучшие друзья), а смена роли. Из специалиста, который «подбивает баланс», ты превращаешься в исследователя огромной экосистемы.

А какой «багаж» из прошлой работы дольше всего мешал вам адаптироваться в новой компании? Пишите в комментариях! ⬇️

❤️ — долго отучался считать всё до копейки
💔 — до сих пор иногда хочется всё выгрузить в Excel
😎 — я сразу родился аналитиком в BigTech

Готовы поспорить о метриках? С вами Айгуль Ахметова из команды Core BI и сегодня хочу обсудить тему метрики как социального конструкта.

Понятие метрики встречается много где: в музыке и поэзии, но имеет почти одинаковую трактовку — утверждённый список показателей по определённому вопросу. Если концептуально мы здесь согласны, предлагаю двигаться дальше.

Разрабатывая очередной отчёт, я поймала себя на мыслях:
❓ Почему я верю определённой метрике больше, чем экспертизе?
❓ Почему мои стейкхолдеры должны этому верить?
❓ Почему мы просто не доверимся чуйке специалиста, который знает бизнес изнутри?

Ведь метрика по сути упрощение, которое фиксирует факт, но может упускать детальный контекст, например, продуктовый.

Понимаю ваше возможное негодование, но давайте немного поразмыслим

На этом этапе мы сталкиваемся с двумя подходами к принятию решений:
1️⃣ Личное суждение. Субъективно, опытным путём приходим к решению или просто доверяемся той самой 🍏🍏🍏🍏🍏, наработанной годами жизни.

2️⃣ Явные методы или объективные данные. Используем цифры или расчёты, например ROI, и на их основе понимаем, куда двигаться дальше.

Второй вариант кажется надёжнее, поскольку он точнее. А ещё явные методы расчёта действительно делают знание общедоступным. Это перевод с языка экспертов на понятные факты.

‼️ Получается мост между экспертом и пользователем.

Однако что также известно ➡️ мост не гарантирует единства

Интерпретация субъективна: у маркетинга одни приоритеты, у продукта — другие.

В социологии это описывает теория Граничных объектов, где инструмент общий (в нашем случае метрика), но каждый видит в нём свой смысл, внося некоторые коррективы.

А какой вывод-то?

На первый взгляд, кажется, что метрика — это абсолютная истина. Но если призадуматься, становится ясно, что это инструмент для согласования общего видения. Именно поэтому метрика является социальным конструктом.

📍 Главное — не забывать описывать для неё инструкцию (контекст), которая позволит пользователям понимать, что стоит за определённой цифрой.

Делитесь ⬇️⬇️⬇️

— Бывало ли у вас, что одна метрика вызывала споры из-за разной трактовки?
— Как вы балансируете между цифрами и интуицией, когда они противоречат?

Сегодня делюсь лайфхаками наставника. Привет! 👋 Я Лена, за 2 года помогла нескольким менти попасть в биг техи и вырастила двух стажёров. Последний из них стал топ-1 по итогам стажировки 😊 В большинстве ИПР стажёров я видела красивые таблицы, цели по SMART и… абстрактные задачи:
💚Позаводить АБшки
💚Построить дашборд

Такие формулировки не проясняли ожидания. Хороший ИПР даёт ясность и уверенность: что делать, зачем, когда и какой результат ждать.

Сегодня покажу простые, но рабочие фишки, которые делают ИПР инструментом для раскрытия потенциала стажёра.

Конкретные практические задачи
Под каждую цель добавляйте реальные задачи с тикетом или привязкой к роадмапу, фиксируйте сроки, приоритет и ожидаемый результат:
❌ Научиться заводить AB
✅ JIRA-1234: Сделать сетап A/B-теста с отключением кнопки (Q1S4)

Такой подход делает ИПР осязаемым, помогает развивать навыки планирования и отслеживать прогресс

Задачи с разным уровнем самостоятельности
🐣 Под присмотром — простые задачи, чтобы освоить процессы
🐥 Полуавтономные — задания посложнее, чтобы проявить инициативу
🦖 Самостоятельные — открытые задачи, чтобы решить полностью самому

С таким подходом стажёр постепенно набирает уверенность и опыт работы с задачами любой сложности.

Собственный проект
Не превращайте стажёра в исполнителя рутинных задач. Заранее придумайте или найдите проект во время стажировки и добавьте в ИПР. Когда стажёр видит реальный эффект своей работы на продукт и команду, он включается на полную. Новые вызовы раскрывают потенциал⚡️

Не забываем про soft skills
Часто ИПР ограничивается техническими задачами. Софт-скилы сложнее вписывать в план, поэтому про них часто забывают. Без них стажёр может технически расти, но не подготовится к реальной работе.

Вот примеры направлений задач, которые развивают софты:
💚 выступления на демо,
💚 проведение встреч с заказчиком,
💗 проведение грумингов.

Такие задачи помогают быстрее встроиться в реальные процессы команды.

‼️ ИПР определяет, каким станет ваш стажёр через несколько месяцев. Если в плане только простые задачи — не ждите выдающегося результата. Хотите настоящего роста — давайте уровень выше — больше ответственности, сложнее проект, открытые задачи. Рост начинается там, где сложно и немного страшно, а рядом есть тот, кто помогает этот путь пройти.

Что помогает быстрее разобраться с процессами

Я Катя Милашина, работаю над качеством рейтингов и отзывов в Авито. Мой онбординг закончился пару месяцев назад. Предлагаю взглянуть на практики, которые помогали мне адаптироваться.

📍 Онбординг на нескольких уровнях одновременно. Я адаптировалась отдельно к компании, к роли аналитика и контексту продуктовой команды. Разведение треков может казаться бюрократическим усложнением, но, по-моему, в бигтехе это полезно.

Коллеги из разных отделов ждут движения в своих направлениях. HR ждёт, что ты зарегистрируешься на корпоративном портале и ознакомишься со стратегией компании. Тимлид надеется, что посмотришь инструкции по работе с A/B-платформой и пролистаешь бэклог. Продакт верит, что быстро погрузишься в доменную область и метрики продукта. Явное выделение времени под каждую часть защищает сотрудника от попыток успеть всё, везде и сразу.

📍 Точки синхронизации и чек-листы позволяют отслеживать прогресс. Авито предлагает большой чек-лист для самопроверки на разных этапах испытательного срока, а для дополнительного мониторинга есть регулярные 1-1 с тимлидом или бадди — наставником в адаптации. Удобно, потому что сразу понимаешь, что от тебя ждут спустя неделю, а что — к концу испытательного срока.

📍 Есть кому задать вопросы. Это тимлид, а ещё бадди — аналитик из команды и HR BP — партнёр по вопросам на уровне компании. Хотя развитая система документации и странички онбординга снимают кучу вопросов, иногда важно поделиться тревогами или спросить совета, не переживая, что это не вовремя.

Кстати, если бы я могла дать себе совет перед первым рабочим днём, то предложила первым делом авторизоваться в парольном менеджере. Разбирать полученные в первые часы пароли с бумажек — не то, что захочется делать в конце дня.

❓ А какой бы совет дали себе вы?

🌸 Мы с ВШЭ стали учить будущих продактов аналитике. Меня зовут Женя, и сегодня я немножко об этом расскажу.

В 2025 году случился первый набор студентов на магистратуру «Управление продуктом в ИТ-бизнесе» Авито x ВШЭ. Я стала курс-оунером дисциплины «Анализ данных для управления продуктом». Курс-оунер — это человек, который отвечает за содержание курса, преподавателей, да и за вайб всего обучения.

Я уверена, что хорошему продакту очень нужна база по аналитике, как минимум чтобы не стать зависимым от своего аналитика и его выводов. Так, основная задача — в достаточно сжатые сроки дать будущим продактам основу аналитики и превращения цифр в выводы. При этом — не перегрузить излишней математикой людей, которые могли с ней до этого вообще не сталкиваться.

Как результат появились основные блоки:
📍 метрики,
📍эксперименты,
📍SQL,
📍визуализация,
📍прогнозные модели.

В следующей части напишу, на чём фокусировались, ведь рассказать студентам хочется обо всём, но учебные часы подталкивают к жёсткой приоритизации.

А пока поделитесь в комментах, что самое главное забрали из универа?

Открываем портал! Рассказываю, что думаю про использование AI в аналитике 😈

Кажется, мы не заметили, в какой момент ИИ-инструменты стали частью рабочей рутины. Теперь демонстративный отказ от них выглядит не очень убедительной позицией. Интересно, что по масштабу ИИ ощущается как новый интернет — а местами, возможно, даже сильнее.
Дольше всего я думал не про пользу, которая очевидна, а про этическую сторону вопроса: если я использую AI в работе, это значит, что я ленюсь? Не хочу глубоко разбираться? Отдаю мышление на аутсорс? 🤔

Аргументы против понятные. С AI легко проскочить важную часть работы:
💚 не дожать логику и слишком рано принять общий ответ за достаточный,
💚 не углубиться в детали там, где модели не хватает контекста,
💚 упустить бизнес-контекст.

К тому же использование ИИ может выглядеть как читерство, что тоже заставляет думать, а точно ли моя работа честная?

Но аргументы в пользу AI мне ближе. Например, ChatGPT я чаще использую как собеседника:
💚 проверить ход мысли,
💚 помочь структурировать исследование,
💚 поспорить с формулировками,
💚 почелленджить выводы.

Cursor и другие AI-инструменты для кода использую в рутине: SQL, Python, разбор незнакомых кусков кода, мелкую механическую возню.

Честность работы я объясняю так: бизнесу, по большому счёту, не так важно, каким именно инструментом я получил качественный результат. Компанию интересует не ритуал производства мысли, а итог. Другой вопрос, что ответственность за качество этого итога всё равно остаётся на аналитике — и AI эту ответственность никуда не девает.

И вот что забавно: иногда в попытке написать хороший и подробный промпт я по дороге сам разбираю задачу настолько, что AI уже не так уж и нужен. Пока формулируешь контекст, ограничения и вопрос, лучше видишь дыры в логике и яснее понимаешь, что вообще хочешь получить.

А вообще, полезно поразгонять ответы ИИ, поймать ошибку, ткнуть в слабое место и получить в ответ фирменное: «да, вы совершенно правы…». Тут главное — не терять бдительность, когда вместо понимания получаешь очень убедительную имитацию. Это отрезвляет и помогает увидеть, что AI полезен не тем, что за тебя думает, а тем, что помогает думать точнее.

Для меня граница проходит так: если AI помогает быстрее думать самому — это инструмент. Если помогает не думать вообще — это уже проблема. А у вас какое мнение?

🐳 — AI правда усиливает аналитика
🌚 — AI скорее расслабляет