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
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.
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.
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?
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»
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.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥5💯3😱2
МОЯ ГОВОРИТЬ КОРОТКО - МОЯ ЭКОНОМИТЬ ТОКЕНЫ 🗿
В сети набирает популярность навык ИИ-агента: Caveman
Оказывается, если заставить ИИ говорить как пещерный человек, он может использовать до 75 % меньше токенов.
Вместо избитых вежливых фраз вроде «Я буду рад помочь вам с вашей задачей» или многословных объяснений пещерный Клод просто говорит: «инструмент работать»🗿
По словам одного пользователя Reddit, задача, на выполнение которой изначально требовалось около 180 токенов, сократилась до 45.
Чем меньше токенов, тем быстрее и дешевле запросы, не говоря уже о том, что в контекстное окно помещается больше информации.
Кроме того, легче читать 1-2 строки, чем целые абзацы текста.
Репозиторию всего 5 дней, и у него уже почти 10 тысяч звёзд на GitHub!⭐
В сети набирает популярность навык ИИ-агента: Caveman
Оказывается, если заставить ИИ говорить как пещерный человек, он может использовать до 75 % меньше токенов.
Вместо избитых вежливых фраз вроде «Я буду рад помочь вам с вашей задачей» или многословных объяснений пещерный Клод просто говорит: «инструмент работать»🗿
По словам одного пользователя Reddit, задача, на выполнение которой изначально требовалось около 180 токенов, сократилась до 45.
Чем меньше токенов, тем быстрее и дешевле запросы, не говоря уже о том, что в контекстное окно помещается больше информации.
Кроме того, легче читать 1-2 строки, чем целые абзацы текста.
Репозиторию всего 5 дней, и у него уже почти 10 тысяч звёзд на GitHub!⭐
👾7🗿4
Интернет умер
Так говорят те, кто верит в теорию мертвого интернета.
И произошло это еще в 2016-2017 году.
Основой теории считается пост пользователя под ником IlluminatiPirate на форуме Agora Road's Macintosh Café в 2021 году под заголовком «Dead Internet Theory: Most Of The Internet Is Fake». В нём автор прямо заявляет, что интернет «умер» примерно в 2016 году.
Объясняет он это тем, что в 2016 году технологии стали достаточно мощными, чтобы алгоритмы и боты могли полностью имитировать человеческую активность для манипуляции потребителями и мнением масс.
Тогда, 10 лет назад, мне бы эта теория мне бы показалась безумной
Но сейчас…
Я думаю, вы сами заметили, как поменялся интернет с появлением свободного доступа к ИИ.
На всех крупных медиа площадках каждый день выходит сотни единиц сгенерированного контента: начиная от комментов под постами от ботов, написанных на коленке, заканчивая полноценными ии-блоггерами в инстаграме или ии-артистами на музыкальных стримингах.
Вы знали, например, что от 20-25% мест в музыкальных чартах сейчас занимают ии-артисты?
Почему же это все происходит?
На это влияют несколько сошедшихся в одном временном промежутке тенденций:
1. Экономика внимания требует бесконечного контента, и нам уже не так важно его качество. Важно его количество и регулярность.
2. Монополизация платформ привела к тому, что несколько компаний контролируют большую часть онлайн-взаимодействия и устанавливают правила под себя.
3. Алгоритмы определяют за нас круг наш интересов: что смотреть, что читать, ято покупать, с кем общаться.
4. Генеративный AI снял последний барьер - стоимость производства убедительного текста, изображений, музыки и видео упала почти до нуля. А вместе с ней упал и порог, отделявший «настоящее» от «сгенерированного».
В итоге мы пришли к состоянию в котором машины генерируют контент для машин. Чем больше регулярного и вовлекающего контента ты создаешь, тем выше твои охваты и показатели удержания аудитории, а значит тем лучше тебя ранжируют алгоритмы в выдаче, ты чаще всплываешь в ответах нейросетей и к тебе чаще обращаются рекламодатели или клиенты.
Но самое страшное не это.
Самое страшное, что грань между настоящим и искусственным контентом стирается.
Сейчас все сложнее и сложнее отличать авторский контент, написанный вручную, от сгенерированного нейросетью.
У нас уже сформировалась привычка потреблять тонны контента ради быстрого дофамина. Зачем мне знать, кто его автор, если уже через минуту я ничего не помню?
Однако не стоит забывать одной ключевой вещи.
Если мы не можем отличить бота от человека, настоящий отзыв от проплаченного, стихийный тренд от срежиссированной кампании - на основании чего мы принимаем решения?
Похоже, мы на пороге глобального кризиса доверия.
И вопрос лишь в том, как скоро мы окончательно махнем рукой и перестанем верить вообще чему-либо в сети.
Так говорят те, кто верит в теорию мертвого интернета.
И произошло это еще в 2016-2017 году.
Основой теории считается пост пользователя под ником IlluminatiPirate на форуме Agora Road's Macintosh Café в 2021 году под заголовком «Dead Internet Theory: Most Of The Internet Is Fake». В нём автор прямо заявляет, что интернет «умер» примерно в 2016 году.
Объясняет он это тем, что в 2016 году технологии стали достаточно мощными, чтобы алгоритмы и боты могли полностью имитировать человеческую активность для манипуляции потребителями и мнением масс.
Но сейчас…
Я думаю, вы сами заметили, как поменялся интернет с появлением свободного доступа к ИИ.
На всех крупных медиа площадках каждый день выходит сотни единиц сгенерированного контента: начиная от комментов под постами от ботов, написанных на коленке, заканчивая полноценными ии-блоггерами в инстаграме или ии-артистами на музыкальных стримингах.
Почему же это все происходит?
На это влияют несколько сошедшихся в одном временном промежутке тенденций:
1. Экономика внимания требует бесконечного контента, и нам уже не так важно его качество. Важно его количество и регулярность.
2. Монополизация платформ привела к тому, что несколько компаний контролируют большую часть онлайн-взаимодействия и устанавливают правила под себя.
3. Алгоритмы определяют за нас круг наш интересов: что смотреть, что читать, ято покупать, с кем общаться.
4. Генеративный AI снял последний барьер - стоимость производства убедительного текста, изображений, музыки и видео упала почти до нуля. А вместе с ней упал и порог, отделявший «настоящее» от «сгенерированного».
В итоге мы пришли к состоянию в котором машины генерируют контент для машин. Чем больше регулярного и вовлекающего контента ты создаешь, тем выше твои охваты и показатели удержания аудитории, а значит тем лучше тебя ранжируют алгоритмы в выдаче, ты чаще всплываешь в ответах нейросетей и к тебе чаще обращаются рекламодатели или клиенты.
Теперь человек в этой цепочке - лишнее звено, медленный и дорогой «исполнитель», чья работоспособность не выдерживает конкуренции с бесконечными мощностями ИИ-агентов.
Но самое страшное не это.
Самое страшное, что грань между настоящим и искусственным контентом стирается.
Сейчас все сложнее и сложнее отличать авторский контент, написанный вручную, от сгенерированного нейросетью.
У нас уже сформировалась привычка потреблять тонны контента ради быстрого дофамина. Зачем мне знать, кто его автор, если уже через минуту я ничего не помню?
Однако не стоит забывать одной ключевой вещи.
Если мы не можем отличить бота от человека, настоящий отзыв от проплаченного, стихийный тренд от срежиссированной кампании - на основании чего мы принимаем решения?
Похоже, мы на пороге глобального кризиса доверия.
И вопрос лишь в том, как скоро мы окончательно махнем рукой и перестанем верить вообще чему-либо в сети.
👍12🔥3👎1
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.
Шаг1️⃣ : Промпт → embedding
Ваш текст кодируется в числовое представление (embedding), в котором уже зашиты все ассоциации.
Чем точнее промпт - тем точнее этот вектор. Именно поэтому "
LLM дописывает за пользователя стихи и расширяет промпт.
Если ты написал
Шаг2️⃣ : 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.
Шаг3️⃣ : 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.
Шаг4️⃣ : 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
Шаг5️⃣ : 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?
напишите в комментах, как он вам (только честно😅)
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:
Выглядит несложно, но под капотом прячется много хитростей.
Шаг
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
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
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
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
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
напишите в комментах, как он вам (только честно😅)
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4🔥4👍3
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:
-
-
Из 999,900 здоровых:
-
-
Вероятность что вы больны при положительном тесте:
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(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:
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!
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:
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))ИЛИP(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!
Please open Telegram to view this post
VIEW IN TELEGRAM
❤5✍3🔥3
Метрики 101. Часть 1: Иерархия метрик
В последнем опросе 88% из вас проголосовали за разборы реальных кейсов, а 62% хотят подтянуть теорию по метрикам и экспериментам.
В связи с этим я решил подготовить цикл постов с разбором иерархии метрик крупнейших продуктов. Это база, которая поможет успешнее справляться с продуктовыми кейсами на собеседовании.
Мы разберем, на что смотрят в социальных сетях и контентных платформах, подписочных сервисах, райдтехе, маркетплейсах, финтехе и банкинге и пр.
Время от времени я буду разбавлять посты реальными кейсами с собеседований.
Ну а сегодня начнем с основ: иерархии метрик.
Ранее я писал о том, как самостоятельно выбирать метрики, необходимые для оценки эффективности бизнеса, но не писал, а что такое иерархия метрик вообще и зачем она нужна.
Давайте это исправлять.
Что такое иерархия метрик?
Если просто - это дерево, которое связывает одну глобальную цель бизнеса с сотнями мелких действий, которые совершают пользователи.
Представьте огромный механизм. На выходе у него - прибыль или счастье пользователя. Внутри - тысячи шестеренок. Иерархия метрик позволяет понять, какую именно шестеренку нужно подкрутить, чтобы на выходе цифра стала больше.
В аналитике принято делить это дерево на уровни:
🌟 L0: North Star Metric (Полярная звезда)
Это вершина пирамиды.
Метрика, которая лучше всего отражает ключевую ценность продукта. Если она растет - значит, пользователь получает пользу, а бизнес - профит.
🛠🛠 L1: Драйверы роста (Output Metrics)
Это основные компоненты, из которых складывается L0. Обычно их делят на три больших блока:
1. Retention (Удержание): Возвращаются ли к нам люди?
2. Monetization (Монетизация): Платят ли они?
3. Acquisition (Привлечение): Приходят ли новые?
⚙⚙⚙ L2: Операционные метрики (Input Metrics)
Это конкретные рычаги.
То, на что продуктовая команда может влиять напрямую через фичи или маркетинг. Это конверсии в конкретных кнопках, среднее время загрузки страницы, количество выполненных поисковых запросов и т.д.
🤔Зачем аналитику эта «математическая елка»?
На собеседованиях и в работе иерархия решает три задачи:
1. Структурность мышления.
Когда вас просят «оценить успех фичи», вы не гадаете на кофейной гуще, а идете по дереву, например:
2. Поиск причин (Root Cause Analysis). Если общая выручка упала, иерархия помогает быстро локализовать проблему.
Это упал средний чек? Или упала конверсия в корзину на Android-устройствах? Дерево подсветит «больную» ветку.
3. Защита от «дурака» (Counter-metrics). Это, пожалуй, самое важное. Если мы будем растить только одну метрику (например, выручку), мы можем случайно убить продукт (завалив его агрессивной рекламой и снизив удержание).
Иерархия позволяет видеть метрики-ограничители, которые сигнализируют, если мы начали расти за счет деградации других частей системы.
Главный совет: На собеседовании не пытайтесь угадать «правильную» схему. Уровней может быть гораздо больше, а метрики могут декомпозироваться по-другому. Все зависит от конкретного продукта и кейса.
Когда вы раскладываете кейс через иерархию, вы не просто «считаете цифры», а понимаете механику бизнеса. Вы видите не отдельные KPI, а систему рычагов и весов, которыми можно управлять. Это самое ценное, что вы можете показать бизнесу при решении задач или интервьюеру на собеседованиях.
В последнем опросе 88% из вас проголосовали за разборы реальных кейсов, а 62% хотят подтянуть теорию по метрикам и экспериментам.
В связи с этим я решил подготовить цикл постов с разбором иерархии метрик крупнейших продуктов. Это база, которая поможет успешнее справляться с продуктовыми кейсами на собеседовании.
Мы разберем, на что смотрят в социальных сетях и контентных платформах, подписочных сервисах, райдтехе, маркетплейсах, финтехе и банкинге и пр.
Время от времени я буду разбавлять посты реальными кейсами с собеседований.
Ну а сегодня начнем с основ: иерархии метрик.
Ранее я писал о том, как самостоятельно выбирать метрики, необходимые для оценки эффективности бизнеса, но не писал, а что такое иерархия метрик вообще и зачем она нужна.
Давайте это исправлять.
Что такое иерархия метрик?
Если просто - это дерево, которое связывает одну глобальную цель бизнеса с сотнями мелких действий, которые совершают пользователи.
Представьте огромный механизм. На выходе у него - прибыль или счастье пользователя. Внутри - тысячи шестеренок. Иерархия метрик позволяет понять, какую именно шестеренку нужно подкрутить, чтобы на выходе цифра стала больше.
В аналитике принято делить это дерево на уровни:
🌟 L0: North Star Metric (Полярная звезда)
Это вершина пирамиды.
Метрика, которая лучше всего отражает ключевую ценность продукта. Если она растет - значит, пользователь получает пользу, а бизнес - профит.
North Star Metric - не всегда финансовая метрика, т.к. деньги часто являются «запаздывающим» индикатором. North Star Metric показывает здоровье продукта здесь и сейчас.
🛠🛠 L1: Драйверы роста (Output Metrics)
Это основные компоненты, из которых складывается L0. Обычно их делят на три больших блока:
1. Retention (Удержание): Возвращаются ли к нам люди?
2. Monetization (Монетизация): Платят ли они?
3. Acquisition (Привлечение): Приходят ли новые?
⚙⚙⚙ L2: Операционные метрики (Input Metrics)
Это конкретные рычаги.
То, на что продуктовая команда может влиять напрямую через фичи или маркетинг. Это конверсии в конкретных кнопках, среднее время загрузки страницы, количество выполненных поисковых запросов и т.д.
🤔Зачем аналитику эта «математическая елка»?
На собеседованиях и в работе иерархия решает три задачи:
1. Структурность мышления.
Когда вас просят «оценить успех фичи», вы не гадаете на кофейной гуще, а идете по дереву, например:
«Фича X влияет на метрику L2 (например, CTR), та тянет за собой L1 (Retention), что в итоге растит наш North Star»
2. Поиск причин (Root Cause Analysis). Если общая выручка упала, иерархия помогает быстро локализовать проблему.
Это упал средний чек? Или упала конверсия в корзину на Android-устройствах? Дерево подсветит «больную» ветку.
3. Защита от «дурака» (Counter-metrics). Это, пожалуй, самое важное. Если мы будем растить только одну метрику (например, выручку), мы можем случайно убить продукт (завалив его агрессивной рекламой и снизив удержание).
Иерархия позволяет видеть метрики-ограничители, которые сигнализируют, если мы начали расти за счет деградации других частей системы.
Главный совет: На собеседовании не пытайтесь угадать «правильную» схему. Уровней может быть гораздо больше, а метрики могут декомпозироваться по-другому. Все зависит от конкретного продукта и кейса.
Когда вы раскладываете кейс через иерархию, вы не просто «считаете цифры», а понимаете механику бизнеса. Вы видите не отдельные KPI, а систему рычагов и весов, которыми можно управлять. Это самое ценное, что вы можете показать бизнесу при решении задач или интервьюеру на собеседованиях.
❤5👍1🔥1
🍕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
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.
Please open Telegram to view this post
VIEW IN TELEGRAM
Telegram
Кусочек пиццы | Аналитика данных
Проголосуйте за канал, чтобы он получил больше возможностей.
📦 Разбираем e-com кейс на аномальную долю возвратов
Пятница, вечер.
Мы - аналитик данных в молодом маркетплейсе.
Готовимся к выходным.
По традиции от CEO прилетает срочное сообщение:
Бросаться сразу строить сложные решения - фатальная ошибка.
Ваш первый шаг - задать наводящие вопросы CEO, чтобы синхронизировать ожидания:
1. Почему вас интересует именно эта метрика?
Фокус на RR вызван просадкой операционной прибыли (EBITDA), или просто было замечено отклонение от бенчмарка?
2. Как именно считается RR?
Это отказы после примерки на ПВЗ, отмены в пути или невыкупы (когда клиент просто не пришел за заказом)?
3. Почему забили тревогу именно сейчас?
Метрика резко скакнула на этой неделе, или это давняя системная проблема?
Получив вводные (метрика исторически высокая, влияет на прибыль, невыкупы), переходим к анализу.
Шаг 1. Осознаем масштаб бедствия
Чтобы это сделать, нужно приземлить RR на формулу маржинальной прибыли (CM2).
Наш маркетплейс сам оплачивает логистику, поэтому возвраты бьют по экономике дважды: платформа теряет комиссию и оплачивает «покатушки» товара туда-обратно.
При низком чеке (AOV) и высокой доле возвратов (RR) доходы стремятся к нулю, а логистика агрессивно съедает экономику.
Шаг 2. Локализуем проблему
На этом этапе отсекаются ложные следы: крупных промо-акций не было, флоу оплаты не ломался, сезонность не влияет.
Спускаемся на уровень разрезов: Регионы и Категории
Именно здесь кроется инсайт: главным драйвером аномально высокого RR является сегмент FMCG (бытовая химия, шампуни и пр.).
Учитывая традиционно низкий средний чек в этой категории, их итоговый CM2 может уходить в минус при колебании доли возвратов.
Шаг 3. Анализ клиентского пути
Почему клиенты массово возвращают шампуни? Товар не портится, не требует примерки, поэтому вероятно есть проблемы в клиентском пути.
Чтобы разобраться, идем в логи и анализируем воронку. Также можно провести качественное или количественное исследование.
Оказывается, 90% невыкупов в FMCG приходятся на заказы с оплатой при получении (постоплатой). По результатам качественного исследования сценарий возврата - это неявка клиента за заказом, а не отказ на ПВЗ из-за брака, как можно показаться на первый взгляд.
С чем это связано?
Молодой маркетплейс - это часто платформа с еще несформированным кредитом доверия.
Клиентам страшно привязывать карту и вносить 100% предоплату за «кота в мешке». Поэтому они выбирают постоплату и формируется следующий сценарий:
- клиент заказал шампунь, деньги с карты не списались
- вечером, возвращаясь с работы, он заходит в ближайший супермаркет, покупает шампунь там
- про заказ на маркетплейсе просто забывает
Шаг 4. Формируем рекомендации
Просто отключить постоплату нельзя - это моментально обрушит общую конверсию в заказ (CR), а маркетинговый бюджет на привлечение (CPO) улетит в космос.
Действовать нужно тоньше:
->> Гипотеза 1: Пессимизация постоплаты.
Ввести платный возврат или сервисный сбор за доставку только для заказов по постоплате в категориях с низким чеком.
Это эффективно отсеет импульсивные заказы без твердого намерения выкупа.
->> Гипотеза 2: Влияние через выгоду.
Сделать онлайн-предоплату экономически привлекательнее, внедрив механику:
Эта скидка обойдется бизнесу значительно дешевле, чем регулярная оплата холостой логистики.
->> Гипотеза 3: Триггерные коммуникации.
Настроить отдельную цепочку пушей для FMCG-постоплаты через выгоду:
Резюме для CEO:
Проблема не в логистике или качестве товаров. Проблема в низком доверии к платформе и специфики потребления FMCG товаров.
Рекомендуется провести A/B тест на экономическое стимулирование предоплаты для категории FMCG с целью снижения RR.
Пятница, вечер.
Мы - аналитик данных в молодом маркетплейсе.
Готовимся к выходным.
По традиции от CEO прилетает срочное сообщение:
«Доля возвратов (Return Rate RR) слишком высокая, мы сжигаем деньги. Нужен план снижения».
Бросаться сразу строить сложные решения - фатальная ошибка.
Ваш первый шаг - задать наводящие вопросы CEO, чтобы синхронизировать ожидания:
1. Почему вас интересует именно эта метрика?
Фокус на RR вызван просадкой операционной прибыли (EBITDA), или просто было замечено отклонение от бенчмарка?
2. Как именно считается RR?
Это отказы после примерки на ПВЗ, отмены в пути или невыкупы (когда клиент просто не пришел за заказом)?
3. Почему забили тревогу именно сейчас?
Метрика резко скакнула на этой неделе, или это давняя системная проблема?
Получив вводные (метрика исторически высокая, влияет на прибыль, невыкупы), переходим к анализу.
Шаг 1. Осознаем масштаб бедствия
Чтобы это сделать, нужно приземлить RR на формулу маржинальной прибыли (CM2).
CM2 = Доходы с выкупленных заказов - Расходы на логистику - Убытки от возвратов - МаркетингНаш маркетплейс сам оплачивает логистику, поэтому возвраты бьют по экономике дважды: платформа теряет комиссию и оплачивает «покатушки» товара туда-обратно.
При низком чеке (AOV) и высокой доле возвратов (RR) доходы стремятся к нулю, а логистика агрессивно съедает экономику.
Шаг 2. Локализуем проблему
На этом этапе отсекаются ложные следы: крупных промо-акций не было, флоу оплаты не ломался, сезонность не влияет.
Спускаемся на уровень разрезов: Регионы и Категории
Именно здесь кроется инсайт: главным драйвером аномально высокого RR является сегмент FMCG (бытовая химия, шампуни и пр.).
Учитывая традиционно низкий средний чек в этой категории, их итоговый CM2 может уходить в минус при колебании доли возвратов.
Шаг 3. Анализ клиентского пути
Почему клиенты массово возвращают шампуни? Товар не портится, не требует примерки, поэтому вероятно есть проблемы в клиентском пути.
Чтобы разобраться, идем в логи и анализируем воронку. Также можно провести качественное или количественное исследование.
Оказывается, 90% невыкупов в FMCG приходятся на заказы с оплатой при получении (постоплатой). По результатам качественного исследования сценарий возврата - это неявка клиента за заказом, а не отказ на ПВЗ из-за брака, как можно показаться на первый взгляд.
С чем это связано?
Молодой маркетплейс - это часто платформа с еще несформированным кредитом доверия.
Клиентам страшно привязывать карту и вносить 100% предоплату за «кота в мешке». Поэтому они выбирают постоплату и формируется следующий сценарий:
- клиент заказал шампунь, деньги с карты не списались
- вечером, возвращаясь с работы, он заходит в ближайший супермаркет, покупает шампунь там
- про заказ на маркетплейсе просто забывает
Мотивации идти на ПВЗ нет. Деньги-то не уплачены.
Шаг 4. Формируем рекомендации
Просто отключить постоплату нельзя - это моментально обрушит общую конверсию в заказ (CR), а маркетинговый бюджет на привлечение (CPO) улетит в космос.
Действовать нужно тоньше:
->> Гипотеза 1: Пессимизация постоплаты.
Ввести платный возврат или сервисный сбор за доставку только для заказов по постоплате в категориях с низким чеком.
Это эффективно отсеет импульсивные заказы без твердого намерения выкупа.
->> Гипотеза 2: Влияние через выгоду.
Сделать онлайн-предоплату экономически привлекательнее, внедрив механику:
Оплати заказ прямо сейчас - получи гарантированную скидку 3%
Эта скидка обойдется бизнесу значительно дешевле, чем регулярная оплата холостой логистики.
->> Гипотеза 3: Триггерные коммуникации.
Настроить отдельную цепочку пушей для FMCG-постоплаты через выгоду:
Ваш любимый шампунь уже ждет на ПВЗ, заберите сегодня, чтобы не переплачивать в супермаркете
Резюме для CEO:
Проблема не в логистике или качестве товаров. Проблема в низком доверии к платформе и специфики потребления FMCG товаров.
Рекомендуется провести A/B тест на экономическое стимулирование предоплаты для категории FMCG с целью снижения RR.
🔥12
На этой неделе постов скорее всего не будет.
Знакомлюсь с красотами Китая
Знакомлюсь с красотами Китая
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:
- 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:
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.
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?
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
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
В следующий раз мы рассмотрим модель подписок и разберем Netflix, Spotify и Яндекс Плюс.
Please open Telegram to view this post
VIEW IN TELEGRAM
Рынок аналитики данных в Европе
Мы с Аксиньей из [Аксинья и мысли | аналитика · продукт · AI] решили разобрать 2 рынка аналитики данных: Россию и Европу, ответив на вопрос «Правда ли у соседа трава зеленее?»
Аксинья разобрала рынок России и описала в своём посте [здесь], а я разобрал рынок Европы. В качестве источников использовал: hh.ru, Хабр Карьера, Glassdoor, LinkedIn, Eurostat, Hays и пр.
Что разберём:
1. Виды аналитических ролей в Европе и их отличия от РФ
2. Карьерные перспективы
3. Зарплаты gross и на руки
1. Виды аналитических ролей
В России рынок аналитики устроен просто: Data Analyst, Продуктовый аналитик, BI-аналитик, Data Scientist - и всё это нередко в одном человеке.
Аналитик в российской компании часто делает и SQL-отчёты, и A/B тесты, и дашборды, и иногда строит ML-модели.
В Европе роли нарезаны тоньше.
Там устоялись отдельные позиции: Analytics Engineer (трансформации данных, dbt), Data Engineer (пайплайны, Spark, Kafka), ML Engineer (продакшн моделей).
Продуктовая аналитика как самостоятельная дисциплина развита слабее - она чаще «зашита» внутрь роли Data Analyst или вообще у Product Manager.
Ключевое отличие: в Европе от Data Analyst не ждут Python как обязательного навыка - достаточно SQL + BI-инструмент. В России Python уже фактически обязателен даже на junior-уровне.
Российский аналитик по факту широкопрофильный специалист, европейский - более узкий.
Это плюс при поиске работы здесь, но минус при переезде: нужно выбрать, кем ты хочешь быть там.
2. Карьерные перспективы
В России от junior до senior: 3-5 лет. Рост быстрый, критерии размытые, но рынок это принимает. Дефицит кадров острый: по данным hh.ru. Senior и lead - в постоянном дефиците.
В Европе путь длиннее: 5-8 лет до senior.
Зато структура чётче: есть performance review, leveling-системы (особенно в tech-компаниях), понятные критерии роста.
Самые быстрорастущие роли - Analytics Engineer и ML Engineer: спрос превышает предложение, а рынок только формируется.
Важный нюанс: в Европе облачный стек (Snowflake, BigQuery, dbt) - уже не преимущество, а базовое требование. В России cloud-опыт пока редкость из-за ограниченного доступа к AWS/GCP/Azure.
Вывод: в России быстрее вырасти по грейду, в Европе - получить более структурированный карьерный трек и доступ к современному стеку. Analytics Engineer - самая перспективная роль на обоих рынках прямо сейчас.
3. Зарплаты
В России медиана для middle Data Analyst - около 175 - 210k ₽/мес на руки (~20-24k € в год). Data Scientist - 220-260k ₽/мес (~25-30k €).
В Европе gross выглядит внушительно: Data Analyst middle в Германии - €51-72k/год, в Нидерландах - €48-65k, в UK - £45-65k.
Но после налогов картина меняется: в Германии уходит 40-45% (net ~€32-37k), в Швеции - до 55% (net ~€22-28k).
Польша - дешевле жить, но и платят скромнее: €20-30k gross.
С поправкой на покупательную способность Россия неожиданно конкурентна: низкие цены делают реальный уровень жизни на московскую зарплату сопоставимым с немецкой net-зарплатой. Выигрывают в абсолюте UK и Нидерланды - там net для senior аналитика достигает €40-50k+.
Абсолютный доход в Европе выше на 40-80% в евро, но реальная покупательная способность в Москве ближе к паритету с Германией. Финансово переезд оправдан на senior-уровне в UK/NL, а не на junior/middle.
Общий вывод
Трава у соседа не зеленее - она другого сорта. Россия даёт более быстрый рост, высокий технический порог и конкурентную покупательную способность.
Европа - структуру, современный стек и абсолютный доход выше. Если переезжать - то с опытом 4+ лет, прокачанным английским и облачным стеком в резюме. Иначе выгоднее расти здесь.
Мы с Аксиньей из [Аксинья и мысли | аналитика · продукт · AI] решили разобрать 2 рынка аналитики данных: Россию и Европу, ответив на вопрос «Правда ли у соседа трава зеленее?»
Аксинья разобрала рынок России и описала в своём посте [здесь], а я разобрал рынок Европы. В качестве источников использовал: hh.ru, Хабр Карьера, Glassdoor, LinkedIn, Eurostat, Hays и пр.
Что разберём:
1. Виды аналитических ролей в Европе и их отличия от РФ
2. Карьерные перспективы
3. Зарплаты gross и на руки
1. Виды аналитических ролей
В России рынок аналитики устроен просто: Data Analyst, Продуктовый аналитик, BI-аналитик, Data Scientist - и всё это нередко в одном человеке.
Аналитик в российской компании часто делает и SQL-отчёты, и A/B тесты, и дашборды, и иногда строит ML-модели.
В Европе роли нарезаны тоньше.
Там устоялись отдельные позиции: Analytics Engineer (трансформации данных, dbt), Data Engineer (пайплайны, Spark, Kafka), ML Engineer (продакшн моделей).
Продуктовая аналитика как самостоятельная дисциплина развита слабее - она чаще «зашита» внутрь роли Data Analyst или вообще у Product Manager.
Ключевое отличие: в Европе от Data Analyst не ждут Python как обязательного навыка - достаточно SQL + BI-инструмент. В России Python уже фактически обязателен даже на junior-уровне.
Российский аналитик по факту широкопрофильный специалист, европейский - более узкий.
Это плюс при поиске работы здесь, но минус при переезде: нужно выбрать, кем ты хочешь быть там.
2. Карьерные перспективы
В России от junior до senior: 3-5 лет. Рост быстрый, критерии размытые, но рынок это принимает. Дефицит кадров острый: по данным hh.ru. Senior и lead - в постоянном дефиците.
В Европе путь длиннее: 5-8 лет до senior.
Зато структура чётче: есть performance review, leveling-системы (особенно в tech-компаниях), понятные критерии роста.
Самые быстрорастущие роли - Analytics Engineer и ML Engineer: спрос превышает предложение, а рынок только формируется.
Важный нюанс: в Европе облачный стек (Snowflake, BigQuery, dbt) - уже не преимущество, а базовое требование. В России cloud-опыт пока редкость из-за ограниченного доступа к AWS/GCP/Azure.
Вывод: в России быстрее вырасти по грейду, в Европе - получить более структурированный карьерный трек и доступ к современному стеку. Analytics Engineer - самая перспективная роль на обоих рынках прямо сейчас.
3. Зарплаты
В России медиана для middle Data Analyst - около 175 - 210k ₽/мес на руки (~20-24k € в год). Data Scientist - 220-260k ₽/мес (~25-30k €).
В Европе gross выглядит внушительно: Data Analyst middle в Германии - €51-72k/год, в Нидерландах - €48-65k, в UK - £45-65k.
Но после налогов картина меняется: в Германии уходит 40-45% (net ~€32-37k), в Швеции - до 55% (net ~€22-28k).
Польша - дешевле жить, но и платят скромнее: €20-30k gross.
С поправкой на покупательную способность Россия неожиданно конкурентна: низкие цены делают реальный уровень жизни на московскую зарплату сопоставимым с немецкой net-зарплатой. Выигрывают в абсолюте UK и Нидерланды - там net для senior аналитика достигает €40-50k+.
Абсолютный доход в Европе выше на 40-80% в евро, но реальная покупательная способность в Москве ближе к паритету с Германией. Финансово переезд оправдан на senior-уровне в UK/NL, а не на junior/middle.
Общий вывод
Трава у соседа не зеленее - она другого сорта. Россия даёт более быстрый рост, высокий технический порог и конкурентную покупательную способность.
Европа - структуру, современный стек и абсолютный доход выше. Если переезжать - то с опытом 4+ лет, прокачанным английским и облачным стеком в резюме. Иначе выгоднее расти здесь.
Если хотите еще больше разобраться в особенностях поиска работы зарубежом заскакивайте к Аксинье.
Она за 3 месяца выросла на 1000 фолловеров в LinkedIn и активно пишет о всех фишках в канале:
Поиск работы и интервью
• Как засетапить бесплатные mock interviews с ChatGPT
• Бесплатные mock peer interviews с реальными людьми
Про LinkedIn
• Как оформить свой Linedin Headline
• Как писать комментарии в LinkedIn
Она за 3 месяца выросла на 1000 фолловеров в LinkedIn и активно пишет о всех фишках в канале:
Поиск работы и интервью
• Как засетапить бесплатные mock interviews с ChatGPT
• Бесплатные mock peer interviews с реальными людьми
Про LinkedIn
• Как оформить свой Linedin Headline
• Как писать комментарии в LinkedIn
Разбавлю ленту еще несколькими фотками из Китая.
Страна огромная и очень многогранная.
Хочется возвращаться раз за разом.
Поделитесь впечатлениями в комментах, если тоже там были👇
Страна огромная и очень многогранная.
Хочется возвращаться раз за разом.
Поделитесь впечатлениями в комментах, если тоже там были👇