Как я собеседовался в зарубежные компании

Полгода назад ради эксперимента я начал активнее вести LinkedIn.
Я не искал работу, не рассылал резюме и особо не думал об этом. Однако спустя какое-то время рекрутеры из зарубежных компаний начали регулярно находить меня в LinkedIn и предлагать пособеседоваться в компании. Я и не отказывался.

За эти полгода я прошёл около 10 собеседований на роли Data Analyst и Product Analyst. Компании были очень разные: это были как небольшие стартапы до 300 человек, так и крупные организации со штатом более 10 тыс. сотрудников и MAU в десятки миллионов пользователей. С офисами на Кипре, в Испании, в Дубае или нескольких странах одновременно.

Это был интересный опыт, из которого я вынес несколько неочевидных наблюдений. 👇

Наблюдение 1: SQL и продуктовое мышление важнее глубокого знания статистики 👩‍💻

В российских реалиях на собеседованиях довольно часто можно встретить задачи на статистику, теорию вероятности или A/B тестирование. Таким образом интервьюер пытается оценить понимание фундаментальных концепций и гибкость мышления.

Зарубежом же всё устроено иначе.

В собеседованиях в зарубежные компании я гораздо чаще решал прикладные задачи на SQL (могло быть до 5 штук за один собес), кейсы на построение иерархий метрик/ анализ воронок/ падения метрик, задачи на оценку мат. ожидания какого-либо продуктового события. Т.е. все кейсы строились на реальных задачах из практики, а не на абстракциях.

При этом знания A/B-тестов, методов снижения дисперсии и Causal Inference воспринимались скорее как приятный плюс, а не как обязательное требование. На мой взгляд, это отражает разницу в культуре: там аналитик - это в первую очередь человек, который умеет работать с данными руками и думать продуктово.

Наблюдение 2: Разрыва в зарплате х2 не будет 😱

Честно говоря, я шёл в эти собеседования с определёнными ожиданиями. В голове крутились образы крутых айтишников, которые работают зарубежом и разъезжают на майбахах, получая х2-х5 за ту же работу, что и в России.

Но рынок устроен иначе. В нескольких компаниях я получил офферы, в других обсуждал ожидания на берегу. Где-то предлагали только оклад, где-то оклад + бонусы + акции. Но нигде не было двукратного роста относительно текущего места работы. Что уж говорить о большем росте..

Изначально я считал, что я плохо прособеседовался и получил оффер ниже рынка, но глубокое изучение сайтов типа indeed.com, glassdoor.com, reddit и прочих говорило о том, что все офферы были по верхней границе рынка.

К тому же если учесть разную стоимость жизни и необходимость аренды жилья, в большинстве случаев экономика начинает расходится.

Возможно, если бы я искал работу на рынке США, то офферы были бы жирнее, но даже в Дубае я не получал каких-то космических цифр.

Так что снимаем розовые очки.

Наблюдение 3: К кандидатам из России относятся нормально, но релокация обязательна 🤨

Во всех случаях во время собеседования у меня уточняли, где я проживаю сейчас. Каждый раз честно отвечал, что в России. И кто бы что не говорил, на этом собеседование не заканчивалось - все интервьюеры реагировали на это адекватно.

Единственное жёсткое условие во всех случаях - обязательная релокация.
Это никак не связано с личным отношением к кандидату, с этим все ок. Просто таким образом компания пытается снизить свои риски.

Я отношусь к этому спокойно - в такое время живём, что поделать.

Вместо итога

Собеседования зарубежом - это всегда интересный опыт, но трава у соседа далеко не всегда зеленее.

Сильного прироста в деньгах может не быть, налоги и стоимость жизни могут быть выше, а удаленку дают далеко не всегда. Но если ваша цель - строить международную карьеру, то этот шаг лучше сделать как можно раньше.

---

Если у вы тоже собеседовались за рубеж - пишите в комменты, будет интересно узнать ваш опыт 🤔

Мой топ настольных книг по аналитике данных

Время от времени я покупаю себе разные книги для профессионального развития.

Некоторые из них мне понравились, некоторые нет, а некоторые стали настольными. К таким книгам я периодически возвращаюсь, чтобы освежить знания об интересующих меня темах.

Сегодня расскажу о четырёх из них.

1️⃣ Доверительное A/B тестирование - Рон Кохави

Моя настольная книга по A/B тестированию.
Впервые я познакомился с ней, когда только изучал A/B тесты и в тот момент она очень помогла мне структурировать все мои знания.
Сейчас я часто обращаюсь к ней, когда надо освежить знания в той или иной области: например особенности оценки долгосрочных эффектов или построение экспериментальной платформы.

Единственное, чего книжке не хватает - это практических упражнений. По-началу, когда только осваиваешь основные концепции, именно практика помогает закрепить новые знания.

2️⃣ Статистика для всех - Сара Бослаф


Вторая книга в списке моих настольных книг. Правда в этот раз - по теории вероятности и статистике.

Эта книга понравилась гораздо больше знаменитой «Статистика и котики». В ней очень последовательно, от простого к сложному, изложены все основные понятия, которые требуются аналитику. Все эти понятия дополняются реальными примерами и практическими заданиями.

Поэтому, если вы хотите разобраться с тем, что такое регрессия, почему z-test считается именно так, как он считается, что такое коэффициент вариации, как работать с выбросами и пр. эта книга - самое то.

Единственный минус книги: в ней нет котиков.😐

3️⃣ Causal Inference на Python - Матеуш Факур


Сложная книжка (как мне кажется) для тех, кто хочет серьёзно разобраться в методах Causal Inference.

Я взялся за неё под конкретную задачу: нужно было оценить влияние программы лояльности на удержание пользователей, но проблема была в том, что в неё вступали не случайные люди - а те, кто и так был активнее.

Классическое смещение выборки. Решили использовать PSM, чтобы подобрать сопоставимые группы и честно оценить эффект.

Этим методом на тот момент я не владел, поэтому решил обратиться к этой книге, чтобы разобраться. Книга помогла разобраться в методе, но далась непросто.

Кроме метода PSM в ней описаны и множество других методов оценки причинно-следственной связи (DiD, Doubly Robust и пр), использование основных библиотек для Causal Inference и пр.

Все это приправлено практикой, которая позволяет руками оценить каждый из методов.

За книгу стоит браться, уже имея некоторый опыт c A/B, ML, Python. Без этого изучение затянется очень надолго.

4️⃣ Грокаем машинное обучение - Луис Серрано

Я вроде не ML-щик, но эту книгу не упомянуть не мог.
Она такая же большая, и такая же сложная (как мне кажется) как книга Матеуша Факура.

Однако автор все же старается помочь вам и проводит вас за руку от простого к сложному, объясняя все основные понятия и концепции с множеством примеров и иллюстраций. И конечно в ней есть практика в виде упражнений.

p.s. Возможно вы читали "Грокаем Алгоритмы" от Бхаргава А.
Вот эта книжка построена примерно в такой же структуре и стиле подачи материала.

Заключение
Хорошая книга - это не то, что читаешь один раз и ставишь на полку. Это то, к чему возвращаешься, когда сталкиваешься с реальной задачей, перечитываешь и открываешь для себя что-то новое. Все четыре книги из этого списка именно такие.

Если у вас есть книги, которые вам понравились - пишите в комменты, всегда интересно пополнить список 📚

Роль аналитика данных в постановке целей компании

Недавно закончился первый квартал 2026 года, а это значит, что в компаниях наступила пора ставить цели на второй квартал.

Причём здесь аналитик данных, спросите вы? Наша задача - оценивать A/B-тесты, копаться в воронках и крутить запросы в SQL. 💻

И это правда. Но только до определённого момента.

С ростом грейда растёт и ваша зона ответственности.

В какой-то момент вы перестаёте быть просто исполнителем и начинаете участвовать в планировании развития продукта или бизнес-направления.

Бизнес не может работать без планов - и рано или поздно к вам приходят заказчики с просьбой определить ключевые метрики и их таргетные значения на ближайший отчётный период.

Иногда запрос звучит размыто:

«Нам нужны метрики на квартал».

Иногда - с готовым ответом:

«Давай поставим цель - увеличить конверсию на 15%».

В обоих случаях у вас есть два пути.

Первый - согласиться, подготовить дашборды и двигаться дальше.

Второй - взять время на анализ и вернуться со своей оценкой.

Второй путь всегда лучше.

Что делает цель хорошей📌

Хорошая цель должна одновременно отвечать трём условиям:

1️⃣Амбициозная

Цель должна превышать базовый прогноз. Цель, которую команда выполнит при любом раскладе, не мотивирует и не создаёт фокуса.


2️⃣Управляемая

Это значит, что команда понимает, какими именно действиями она влияет на эту метрику.

Если механизм влияния непонятен, цель превращается в пожелание.

Не знаете, что двигает конверсию в вашем продукте?
Тогда цифра «+15%» может оказаться либо сильно завышенной, либо сильно заниженной. В обоих случаях она бесполезна.


3️⃣ Измеримая

Все стороны одинаково понимают, как считается метрика и по каким данным будет оцениваться результат. Разночтения в методологии в конце квартала - одна из самых неприятных ситуаций для аналитика.

Недостижение цели - это не просто неудача команды. Это сигнал для руководства о низком качестве работы направления. Поэтому в ваших интересах - и в интересах вашего руководителя - ставить реальные, обоснованные цели, а не те, что кажутся красивыми на слайде.

Цель без инициатив - не цель💡

Таргет не существует в вакууме. Он должен отражать то, что команда реально планирует делать в квартале. Если в роадмапе три фичи и редизайн онбординга - это один разговор. Если роадмап пустой - совсем другой.

Идеальный таргет опирается на конкретные инициативы, подкреплённые аналитическими исследованиями, мета-анализом или отраслевыми бенчмарками. Цель, построенная на интуиции одного человека - это не цель, это ставка.

Не забывайте про внешний контекст🤬

Даже самая обоснованная цель может не учитывать факторы вне контроля команды: рыночную конъюнктуру, действия конкурентов, сезонность, макроэкономику.

Хороший аналитик явно разделяет управляемые и неуправляемые факторы и закладывает это разделение в обоснование таргета. Обычно это делается на этапе формирования базового прогноза - бейзлайна. Бейзлайн отвечает на вопрос: «Что произойдёт с метрикой, если мы ничего не будем делать?»

Всё, что сверх него - это вклад команды.

Именно эту дельту и стоит превращать в цель.

НАС ВСЕХ ЗАМЕНИТ ИИ

Эту фразу я все чаще и чаще читаю в постах в постах на LinkedIn.

Особенно часто в постах HR, которые таким образом набирают себе охваты.

Мы с Глебом, автором канала Analyst’s Notebook тоже решили порассуждать на эту тему.

Наверное, вы уже видели, что Андрей Карпаты, бывший директор по ИИ Тесла и один из основателей OpenAI опубликовал проект, в котором оценил уязвимость перед ИИ всех 342 профессий американской экономики. Каждая из профессий получила балл от 0 до 10, результаты визуализированы в виде интерактивной карты.

Ребята из Reymer.ai сделали аналогичный проект, адаптированный под реалии российского рынка.

И если посмотреть на оценку риска, то для профессии Аналитик данных она составляет 8/10 по оценке Reymer и 9/10 для роли Data Science по оценке Карпаты.

Достаточно высокая цифра😲

Значит ли это, что пора идти учиться на сварщика?

Я считаю, что нет.

Как правильно читать эту оценку

Роль аналитика данных исчезнет в ее привычном понимании, но не исчезнет вообще
Высокий балл риска означает не то, что аналитики исчезнут как класс, а то, что исчезнет привычный набор задач, которым мы сейчас заполняем своё рабочее время.

Нам больше не потребуется выполнять функцию «оператора баз данных» 💻 или живого калькулятора для бизнеса. Писать SQL-запросы, строить дашборды, гонять A/B-тесты и обучать ML-модели будет за нас ИИ. И это, честно говоря, хорошая новость.

Потому что большинство из этих задач - не то, ради чего аналитика по-настоящему ценна.

Бизнесу никогда не был важен инструмент. Бизнесу важен результат: правильно принятое решение, вовремя замеченная проблема или найденная точка роста. Всё остальное - лишь средство.

Суть роли сместится в сторону партнёра бизнеса в принятии решений. Это тот, кто выстраивает архитектуру решения проблемы, формулирует правильные вопросы, настраивает агентов, интерпретирует результаты и несёт ответственность за качество выводов. Такой специалист будет нужен всегда - просто его рабочие инструменты изменятся. Так же, как у бухгалтера в свое время изменились счёты на Excel или 1С.

А что если агенты закроют и эту функцию?

Гипотетически можно представить, что ИИ-агенты однажды смогут полностью закрывать весь аналитический цикл - от постановки задачи до конкретного бизнес-результата. Участие человека не потребуется ни в одном из этапов.

В таком случае наша профессия действительно исчезнет. Но вместе с ней исчезнет кое-что ещё.

Если агент способен самостоятельно пройти путь от цели до результата в аналитике - он способен сделать то же самое в продажах, маркетинге, финансах и операционке.

А это означает одно: любой человек сможет написать агенту «Заработай мне денег за 24 часа» - и агент сам определит способы, сам реализует их, сам откроет счёт и переведёт деньги.

Кнопка "бабло" наконец-то станет реальной💸

Это уже не вопрос о будущем аналитиков. Это вопрос о будущем экономики как таковой.

Верите в такой исход?

Я - нет.

И пока этот сценарий остаётся фантастикой, у нас есть время и все основания не переучиваться на сварщика, а становиться теми, кто умеет работать с ИИ лучше остальных.

А что думаете вы по этому поводу?
Напишите в комментариях 👇

И обязательно загляните в канал Глеба.

Там он делится мыслями о том, как аналитики могут адаптироваться к прогрессу AI.

upbeat track about data analytics at 3am, melancholic but hopeful 🎧

Вы пишете такой 👆 промпт в Suno и через ~60 секунд у вас готовая песня с вокалом, битом и почти студийным звучанием.

Мне вдруг стало интересно как это чудо работает под капотом и в результате это вылилось в пост.

В основе лежит следующий пайплайн:

Промпт → embedding → аудиотокены → генерация → декодирование в звук

Выглядит несложно, но под капотом прячется много хитростей.

Шаг 1️⃣: Промпт → embedding

Ваш текст кодируется в числовое представление (embedding), в котором уже зашиты все ассоциации.
melancholic, hopeful, 3am, data analytics - всё это превращается в плотный вектор смыслов.

Чем точнее промпт - тем точнее этот вектор. Именно поэтому "lo-fi jazz, rainy night, muted trumpet" даёт лучший результат, чем просто "грустная музыка".

Не можешь придумать хороший промпт? - не проблема!

LLM дописывает за пользователя стихи и расширяет промпт.
Если ты написал грустно, LLM превратит это в стилевые теги Slow Tempo, Minor Key, Emotional. Это называется Prompt Expansion.

Шаг 2️⃣: Аудиотокены

Аудио нельзя скормить нейросети напрямую = слишком много данных. Одна секунда звука в CD-качестве - это 44 100 числовых значений.

Поэтому Suno использует нейронный аудиокодек, который сжимает звуковые волны в короткие дискретные токены.

Это работает как JPEG для звука: немного теряешь в деталях, зато получаешь компактную последовательность, с которой можно работать как с текстом.

Шаг 3️⃣: Генерация

Сердце системы.

Модель генерирует аудиотокены последовательно - почти как LLM генерирует текст.

Она не просто смешивает звуки, а буквально предсказывает каждый следующий "кусочек" аудио, основываясь на всем предыдущем опыте.

При этом она улавливает: ритм, гармонию, мелодические паттерны и структуру, похожую на куплеты и припевы

При этом структура не задаётся явно - она возникает из паттернов, на которых модель обучалась.

Например, если обучить модель на непривычных нам припевах, то мы и их и не узнаем в сгенерированной песне.

Шаг 4️⃣: Вокал и звук

ранних версия Suno (до v. 3.5) параллельно с инструментальной дорожкой отдельная модель генерировала вокал. Сейчас это монолитные модели. Вокал не генерируется отдельно от музыки - нейросеть создает всё "одним слепком".

Детали внутренней архитектуры вокального генератора публично не раскрывались, но можно предположить, что токены декодируются обратно в аудиоволны с учётом интонации, вибрато и тембра.

Модель выучила по скоррелированным зависимостям, что melancholic - это более медленное вибрато и лёгкая хрипловатость на краях фраз. А hopeful - это подъём интонации к концу строки и чуть больше воздуха в голосе.

Шаг 5️⃣: Декодирование

Финальный этап - аудиокодек превращает токены обратно в звуковую волную.

Это не мастеринг в классическом смысле с экранизацией, компрессией и пространственной обработкой звука.
Это просто результат того, что модель обучена генерировать уже “сведённый” звук.

Нейронный аудиокодек не просто восстанавливает звук, а делает "апскейлинг", сразу создавая детализированную Hi-Fi волну с правильной панорамой и плотностью, как в студийном релизе.

1-2 минуты. Один промпт. Готовая песня

Ну не чудо ли?

p.s. вот сcылка на трек по промпту из заголовка
напишите в комментах, как он вам (только честно😅)

Парадокс 99%: задача по терверу, на которой многие сыплются

В последнем опросе в победили аналитические кейсы.
Но неделю начну я не с них, а с задачки на теорию вероятности, которую довольно часто можно найти в разных книжках.

Иногда ее можно найти и на собесах.

Условие:
У вас есть медицинский тест с точностью 99%.

Это значит:
- Если человек болен, тест покажет болезнь в 99 случаях из 100
- Если человек здоров, тест покажет здоровье в 99 случаях из 100

Заболевание редкое - болеет 1 человек из 10,000.

Вопрос:
Вы сдали тест, он показал положительный результат (вы больны). Какова вероятность, что вы действительно больны?

Вероятно вы бы ответили: "99%! Ведь тест точен на 99%".
Однако правильный ответ: меньше 1%.

Как так?

Давайте посчитаем на выборке в 1 млн человек.

Болеют: 1 из 10,000 -> это 100 человек из миллиона
Здоровы: 999,900 человек

Из 100 больных:
- 100 * 99% = 99 получат правильный диагноз "болен"
- 100 * 1% = 1 получит ложный диагноз "здоров"

Из 999,900 здоровых:
- 99% * 999,900 = 989,901 получат правильный диагноз "здоров"
- 1% * 999,900 9,999 получат ложный диагноз "болен"

Вероятность что вы больны при положительном тесте:
99 / 10,098 = 0.0098 = 0.98%

0.98%!!!😲

Эту задачу можно решить и влоб, если вы знаете формулу условной вероятности.

Согласно теореме Байеса, вероятность того, что вы больны при положительном результате теста P(Б|П), рассчитывается как:

P(Б|П) = P(П|Б) * P(Б) / (P(П|Б) * P(Б) + P(П|З) * P(З))

ИЛИ

P(Б|П) = P(П|Б) * P(Б) / P(П), где

- P(П|Б) - Вероятность получить положительный тест, если вы больны (99%)
- P(Б) - Вероятность того, что вы больны (1/10,000)
- P(З) - Вероятность того, что вы больны (9,999/10,000)
- P(П|З) - Вероятность получить положительный тест, если вы здоровы (1%)
- P(П) - Полная вероятность положительного теста

Итого:
P(Б|П) = (99% * 1/10,000) / (99% * 1/10,000 + 1% * 9,999/10,000) = 0,98%

Как видите, редкость самого события сводит на нет даже 99% точности теста.

Верьте цифрам, а не интуиции, и не попадайтесь в эту ловушку на собеседованиях!

🍕Pizza time!

Наконец-то разобрался как делать кастомные реакции в постах, но уперся в лимит по количеству реакций.

Чтобы их было больше, надо качать уровень канала.
Помогите, плиз, с этим.

Со своей стороны, обещаю разобрать, зачем в телеграмме вообще есть эта механика и на какие метрики она влияет.

⚡️️Бустануть канал

Метрики 101. Часть 2: Социальные сети и контентные платформы

Мы начинаем препарировать конкретные индустрии. И первыми на операционный стол ложатся контентные платформы и соцсети - классические представители Экономики внимания.

В ней главная валюта - не деньги, а минуты вашей жизни. Чем дольше вы остаетесь внутри приложения, тем больше рекламы вам успеют показать.

Давайте разберем, как выглядит дерево метрик таких компаний на примере YouTube и TikTok.

🌟 Level 0: North Star Metric

Для YouTube и TikTok главная метрика - Total Watch Time (Общее время просмотра за сутки или месяц.

Почему не лайки или регистрации?

Лайки не монетизируются, а регистрации без просмотров бесполезны.

Время просмотра напрямую связано с рекламным инвентарем (Ad Inventory) - количеством слотов, которые платформа может продать рекламодателям. Поэтому чем больше время просмотра - тем больше денег компания заработает с рекламы.

Level 1: Драйверы роста

Чтобы разложить Total Watch Time на понятные слагаемые, мы используем декомпозицию через вовлечение.

Время просмотра зависит от трех факторов:

Total Watch Time = Reach (Охват) x Frequency (Частота) x Depth (Глубина)

- Reach (Охват): Количество активных пользователей (DAU / MAU). Если в приложение никто не зашел, крутить видео некому

- Frequency (Частота): Количество сессий на одного юзера. Зашел ли человек один раз в день или открывает приложение каждые полчаса от скуки?

- Depth (Глубина сессии): Сколько минут человек проводит в приложении за один запуск (Average Session Duration).

🛠 Level 2: Операционные метрики

На этом уровне работают продуктовые команды и алгоритмы рекомендаций. Они крутят ручки на уровне L2, чтобы поднять показатели L1.

- для Охвата: Конверсия из пуш-уведомления в открытие, Retention 1/7/30 дня

- для Частоты: Количество отправленных пушей, доля шеров (Viral Loop)

- Для Глубины:
---> CTR (Click-Through Rate): Кликнул ли юзер на предложенную обложку видео?
---> Completion Rate (Досматриваемость): Какая доля видео была просмотрена? Если пользователь уходит на 5-й секунде = рекомендация плохая.
---> Количество свайпов/скроллов: Как глубоко юзер ушел по ленте контента?

🤨 Контр-метрики: Как не превратить платформу в помойку

На интервью вас могут спросить:

Допустим алгоритм в погоне за Watch Time начнет рекомендовать низкокачественный, но залипательный контент (трэш-стримы, скандалы, шок-видео) - в моменте люди будут на нем залипать, и метрика вырастет. Как убедиться, что эту фичу стоит раскатывать?

Метрик уровней L0-L2 недостаточно , чтобы ответить на этот вопрос.
Поэтому мы будем использовать контр-метрики (Guardrail metrics):

- Do Not Recommend Rate / Скрытия : Как часто жмут «Не интересует»

- Report Rate: Количество жалоб на контент

- Long-term Retention: Если краткосрочно Watch Time растет, а удержание 30-го дня падает - алгоритм выжигает аудиторию токсичным контентом ради минутной выгоды

👌 Лайфхак для собеса

Покажите глубокое понимание механики работы YouTube и TikTok.
Из-за разницы форматов их L2-метрики принципиально отличаются:

В обычном YouTube контент длинный, а выбор осознанный (клик по превью). Для него критически важны CTR обложки и Search Query Success Rate (нашел ли то, что искал через поиск)

В TikTok/ YouTube Shorts выбор пассивный (лента сама включает видео).

Юзер тратит долю секунды на оценку. Здесь главные метрики = Retention первых 3-х секунд (зацепило ли видео со старта) и скорость свайпа.

Понимание разницы между активным и пассивным выбором - это маркер сильного аналитика. Именно оно позволяет правильно подобрать операционные рычаги под конкретный формат и разложить общее время просмотра на здоровые драйверы роста.

Но главное - всегда балансируйте получившуюся иерархию контрметриками, чтобы сиюминутный залипательный контент не выжег долгосрочное удержание аудитории.

---------------------------------------------------------------------------------------------------

Ставьте 🍕если пост вам зашел

В следующий раз мы рассмотрим модель подписок и разберем Netflix, Spotify и Яндекс Плюс.