Матрица компетенций: плюсы, минусы, подводные камни

Привет, на связи Артём Минаков! 🫰
Недавно в Авито прошёл процесс Performance Review. В рамках него мы описываем результаты работы и собираем обратную связь, а потом, по результатам ревью и калибровок, руководители принимают решение о карьерном росте специалистов.

Каждый сотрудник получает развёрнутый фидбэк от руководителя и смежных функций.
При написании self-review все аналитики используют матрицу компетенций, о которой я сегодня и предлагаю поговорить.

Что это за матрица и с чем её едят? 😋
Определитель матрицы равен… Матрица компетенций — это документ с описанием ожиданий от сотрудников на определённом грейде внутри функции.

Компании вводят матрицы компетенций, чтобы уйти от системы, где решение о росте сотрудников принимается руководителем на основании своих представлений.
→ Матрица Авито на GitHub

Я работал в системах с матрицей и без неё, и вот какие плюсы и минусы такого подхода заметил:

Преимущества 🙂
1. Прозрачность требований. Все аналитики знают ожидания от них на текущем уровне и понимают требования для роста на следующий. За это однозначный лайк.

2. Стремление к справедливости. С едиными критериями уменьшается вероятность случая, когда Senior в команде А == Middle в команде Б.

3. Эффективный инструмент мотивации. Допустим, ваши разработчики хотят писать код, но не хотят делиться результатами своей работы и развивать PR-направление. Добавление пункта про необходимость обмена знаниями быстро решит эту проблему.

Недостатки 👎
1. Переобучение под критерии. Наличие формальных критериев повышения приводит к ситуациям, когда закрытие компетенций может быть важнее бизнес-результата.
Считаю, что это отчасти способствует появлению сложных и долгих решений там, где в них на самом деле нет необходимости.

2. Края распределения. Уверен, что ожидания в матрице должны быть конкретными, иначе она будет бесполезной. Конкретизируя ожидания, мы рискуем не учесть что-то значимое и помешать развитию нового бизнес-юнита.
Нетривиальная задача — построить систему, которая бы учитывала и калибровала аналитиков, работающих на разных стадиях развития продукта. Кто-то подключается к новому проекту на этапе идеи и расчёта потенциала, а кто-то ищет в зрелом продукте аплифты в доли процентов

3. Влияние внешних факторов. Замечал, что внешние факторы по-прежнему влияют на оценку сотрудника. Например: визабилити команды, идеи продакта или ораторское искусство руководителя.

Резюмируя — даже у матрицы компетенций есть недостатки, но это лучшая система из существующих. На мой взгляд, главный секрет хорошей матрицы — понимание, что система должна быть динамичной, поэтому наша матрица обновляется несколько раз в год.

А что думаете вы?
🐳 — матрица компетенций топ
🌚 — от матрицы больше проблем, чем пользы
✍️ — пишу своё мнение в комментариях

#ТёмаМинаков

Охотники за головами: где мы потеряли лайфкодинг и почему важен матстат

Привет! На связи Настя Аносова, старший аналитик в Товарах.

Сегодня хочу обсудить одну из самых дискуссионных тем — процесс отбора на позицию data-аналитика (продуктового / бизнесового / маркетингового) — нужное подчеркнуть. И описать свой взгляд на особенности отбора в Авито.

Сразу начну с вопроса, которым задавалась сама ещё два года назад, когда проходила этапы отбора ↓

❔ Почему в Авито нет секции лайфкодинга для аналитиков данных? — Ответ на него оказался совсем близко — в этом нет необходимости =)

Нет нужды убеждаться в реалтайме, что кандидат умеет руками писать сортировку пузырьком, искать самую длинную последовательность одинаковых символов в строке и мастерски жонглировать оконными функциями (пишите в комментариях, какие классические примеры я пропустила).

Это удлиняет путь от попадания в воронку до оффера, расходует время кандидатов и интервьюеров и при этом качественно не влияет на результат. Почему же я так считаю?

🤔 Во-первых, слабо верится, что человек, имеющий хоть сколько-то опыта в аналитике, совсем ноль в SQL и Python.

🤔 Во-вторых, в процессе технической секции по точечным вопросам несложно убедиться, знает ли кандидат базу, которая нужна для стандартных задач. И для этого не нужен отдельный этап.

Всё, что свыше, навёрстываемо: даже если навыков вдруг окажется локально недостаточно, их можно оперативно прокачать. У всех нас есть гугл, документация и, храни его боги аналитики, stackoverflow.

Приоритетнее кодинга — образ мышления и его структурность, бизнесовое и продуктовое видение, способность работать с информацией. И именно в пользу валидации этих пунктов стоит перераспределять время с проверки умений написания кода.

❔ Зачем тогда мне знать, от чего зависит MDE и как посчитать t-статистику? Ведь это всё тоже гуглится и считается кучами вариантов функций из десятков библиотек. А вот это уже другое =)

🤓Любая статистика бессмысленна без правильной интерпретации. Несмотря на то что многие подобные расчёты можно выполнить одной строкой кода, и у нас даже есть собственная A/B-платформа, облегчающая эту работу.

🤓 Не зная основ здесь, вы рискуете принять ошибочные решения и, как следствие, навредить бизнесу. Более того, статистика учит нас мыслить критически и задавать правильные вопросы. А это ключевые навыки для аналитика.

Подводя итог — цель процесса найма аналитика в том, чтобы найти не просто «руки», а «головы», которые могут не только собрать данные, но и объяснить, что они значат и как их можно использовать для развития бизнеса.

А как вы считаете, что важнее для аналитика:
✍️ - знание инструментов
🤓 - понимание теории
⚡️ - способность мыслить аналитически

Ставьте реакции и делитесь своим мнением в комментариях!

#НастяАн

Кайфуйте, жизнь одна: мои самые приятные рабочие задачи

Вот и среда, my dudes! Сегодня в нашей коммуналке мы снова заглядываем в комнату BI — и с вами снова я, Маша, старший BI-разработчик вертикали Товары.
Недавно у меня был день рождения и отпуск, поэтому сами понимаете, хочется говорить только о приятном — кайфовых задачах.

⭐ Например, в этом квартале я начала делать новый большой дашборд по основным метрикам всей вертикали. MVP уже почти готов, и я с трепетом жду дня, когда моё детище сможет увидеть мир.
Всегда интересно и приятно с нуля создавать отчёт, который будет полезен большому числу коллег. Дашборд с нулём просмотров — ночной кошмар любого BI-щика.

⭐ Но, как вы уже знаете, не дашбордами едиными жив BI-разработчик — у нас очень много и других задач, о которых я рассказывала в своём первом посте.
Не меньше дашбордов мне нравится продумывать архитектуру данных. Например, распилить одну огромную неповоротливую витрину на несколько витрин, чтобы с ними было проще работать и чтобы запараллелить расчёты. Благодаря этому можно значительно сократить время готовности данных.
Сейчас я работаю над «распилом» одной из основных витрин кластера — витрины, на которой считается большинство наших метрик в А/Б-тестах.

⭐ Ещё очень люблю микрозадачи, направленные на помощь аналитикам из соседних команд: что-то подсказать, проконсультировать, поревьюить PR. Эдакий быстрый дофамин, даже от маленькой помощи одному человеку💗

Наверное, невозможно составить спринт исключительно из своих любимых задач. Так или иначе приходится работать и с монотонными задачами:
→ Своей историей о рутинной задаче недавно делилась Настя.
→ И с неприятными эдхоками тоже приходится сталкиваться, об этом писали Юля и Лада в своих постах.

Но всё-таки я думаю, что если ты искренне любишь хотя бы половину своих задач — это уже здорово 😍

#МашаАн