Как и обещал - новый тестовый формат. На мой взгляд самый простой и быстрый способ обучения - это учиться у тех, кто уже прошел нужный вам путь. Опыт - самый дорогой источник знаний. Поэтому одной из личных целей на этот год я поставил общение не менее чем с десятью интересными личностями. В своих «интервью» я ни в коем случае не претендую на конкуренцию с лучшими, делаю просто с душой и для себя. Надеюсь, вам понравится :)

Первым отозвался поговорить со мной про жизнь Влад Исмагилов, руководитель службы аналитики Яндекс.Маркет Групп. Наша беседа вышла довольно объемной, поэтому буду дописылать скрипт по мере его заполнения.

1. Привет, расскажи коротко о себе

Влад, занимаюсь аналитикой. Первая моя несерьезная работа была связана с распознаванием образов - делал автоматизированное КПП, пытались определять сотрудников и не сотрудников какого-то конкретного подразделения с записей видеокамер. Потом в Ламоде занимался аналитикой логистики, склада и их процессов. Сейчас в Маркете занимаюсь другими направлениями аналитики - продуктом, маркетингом, B2B, операциями, товародвижением и другими. На всех местах работы по сути извлекал пользу для бизнеса из данных. Так или иначе все время был связан с анализом данных. До этого я учился в МГУ на Факультете вычислительной математики и кибернетики. Изучал методы оптимизации, теорию игр, программирование и все, что с этим связано.

2. Как пришёл в аналитику? Ты изучал математику и программирование, почему не пошел в науку?

Сначала я понял, что хочу видеть результат своей работы в каком-либо сервисе, которым пользуюсь сам. Это было очень важным элементом моей мотивации. Потом я пытался как-то сопоставить имеющиеся навыки и свои планы по их развитию, с требованиями к разным вакансиям. Достаточно долго выбирал между разработкой и аналитикой. Когда я представлял работу разработчика, я почему-то думал, что разработчикам четко говорят что и как должно работать, и ты такой сидишь 24/7 пишешь код. И даже, если это код играет очень важную роль для бизнеса и явным образом влияет на продукт - меня прям смущало, что это не моя идея, что это придумано не мной. Я хотел чуть более творческой истории, но не менее технически сложной. Какими-то такими, очень наивными и достаточно банальными размышлениями я и пришел к тому, что анализ данных, математика вокруг этого и более глубокое понимание бизнеса мне ближе

3. Но ведь в разработке, как и в аналитики, есть разные грейды. И допустим джуны действительно просто пишут код, который их попросили, а синьор программисты уже сами решают в каком направлении двигать продукт

Конечно, так. Но когда я решал на тему того, чем хочу заниматься, я был гораздо менее осознанный, поэтому просто так получилось. Я также понимал, что мне безумно нравится работать с цифрами, с показателями, с причино-следственными связями. Всеми такими логическими штуками мне просто нравилось заниматься. Более того, когда проходил самые первые собеседования, мне задавали очень интересные и клёвые задачки. Просто логически сложные, на подумать, где надо на листочке что-то покрутить, порисовать. Как сейчас помню, что особенно после проваленных собеседований, я вечерами сам и с друзьями разбирался с заданными вопросами, потому что было интересно. В общем, как-то так, во многом случайно, и получилось, что я выбрал супер правильный для себя путь аналитики, и сейчас об этом вообще не жалею. А, ну и ещё я очень плохо рисую, так что всякие креативные штуки отвалились практически сразу. Ну и я уже потом понял, что опыт работы аналитиком - это отличный бекграунд для огромного кол-ва новых сфер и ролей в рамках практически любой компании, Это так, потому что с опытом у аналитиков ключевую роль начинают играть более бизнесовые компетенции, а не навыки работы с данными.

4. Ты получил довольно техническое образование, а можно ли стать аналитиком без такого бэкграунда?

Хороший вопрос, на самом-то деле, наверное, можно. Все сильно зависит от желания и упорства конкретного человека. Существует огромное количество курсов для самостоятельного обучения, также есть много пабликов, в которых можно найти единомышленников для обмена опытом или менторства. Ну и есть много разных технологий, в которых можно достаточно просто и оперативно можно развернуть какой-нибудь собственный сервис или микро-продукт, и уже на нем попрактиковаться (не имея времени на полноценную или парттайм работу). Стажировки также никто не отменял - огромное кол-во компаний готовы предоставить возможности обучения на практических задачах. Я бы не менее важной компетенцией для аналитика назвал бы хорошее понимание курса физики 9 класса, чтобы вообще представлять, почему так устроен мир. Это и про любопытство и про “правильные вопросы” и про некоторую критичность мышления, что является чуть ли не ключевым навыком аналитика. Технические навыки, как мне кажется, меньшая из проблем в росте и развитии аналитика. То есть это те скиллы, на которые можно потратить ряд усилий, времени и во всем разобраться. Мне кажется, это вообще не является необходимым условием, так как знаю много прекрасных аналитиков, которые получали гуманитарное образование. Они подмечают нужные вещи, задаются правильными вопросами, по сути - хорошо познают, что их окружает. Эта часть мне кажется более важной, чем какое-то конкретное образование. Например, хорошие журналисты, которые работают с большим количеством неструктурированной информации, способны ее укладывать в какую-то системную картинку и доносить объективные выводы до аудитории - это серьезная аналитическая работа. Скорее технические навыки это хорошее подспорье, которое позволит не тратить много усилий на первичную обработку данных на самом деле.

5. В таком случае, что нужно знать, чтобы прийти в аналитику, скажем, на стажера/джуна. Что нужно выучить, чтобы пройти собеседование и получить работу, которую они хотят?

С одной стороны, собеседование далеко не самый первый шаг у кандидата, который хочет стать аналитиком. Он заранее начинает подготовку к этому процессу - изучает, что это за профессия, какие задачи решают, чем вообще занимаются. Ожидается, что кандидат, который все-таки решил прийти на собеседование, уже какое-то количество времени в этот процесс инвестировал. Здесь, в первую очередь, от начинающего специалиста в области аналитики я бы ожидал понимание базовых физических процессов. Это те штуки, которые окружают всех нас - от того как кипит вода до того, как летают самолёты и не тонут огромные лайнеры. Это такие базовые вопросы, которыми очень любопытный человек может задаться и круто, если он не пройдёт мимо этого интента и пойдет раскопает эту историю. Это первый пункт, который надо прокачать начинающему аналитику. Как только он хотя бы немного времени инвестирует в понимание, что же это за профессия, он быстро дойдет до идеи, что навыки работы с данными - это тоже необходимая история. Речь не идет о том, чтобы стажер-аналитик умел писать на десятке библиотек на Python, на R, еще и знает C++ и C#. Здесь речь про то, что человек выбрал нужный себе инструмент, прошёл пару курсов, написал какой-нибудь свой первый проект, взял открытые данные из открытых источников и решил свою прикладную задачу. Например, взял и спарсил Gismeteo, Яндекс.Погоду, какие-то другие сервисы и показывает для себя личный прогноз погоды, получающийся через усреднение всех источников, которые он знает. По сути это такая понятная задача, где человек решил интересную для себя проблему в моменте, используя какие-то инструменты, которые позволили ему получить данные, обработать их и получить пользу. Это первый путь, чтобы понять какие инструменты понадобятся в работе. Или спарсил весь Циан и выбрал себе самую оптимальную локацию квартиру, которую он собирается снять, относительно близости к работе, университету или какие-то еще важные требования. Это позволит не пугаться работе с данными, их объемов и всему, что с этим связано. Круто, если человек пошел еще дальше и понял, что данные мы не просто складываем и усредняем, а что есть некоторая математическая база под всем этим делом, как вообще принимаются решения. Если с этим бекграундлом еще и подойти к понимаю бизнеса, в котором человек собирается работать, то у него будет какое-то интуитивное понимание о командах и процессах внутри компании. Он поймет, что есть люди, которые развивают сам продукт, есть люди, которые делают его дистрибуцию, есть какие-то оффлайн процессы, без которых этот продукт невозможен. Хотя бы интуитивное понимания, как устроен бизнес, получить первые теоретические знания и немного практики по работе с данными и начале статистики и, самое важное, критическое мышление - это уже такой комплект, который очень хорошо характеризует начинающего интересного аналитика.

Выбор теста на проверку статзначимости

Для количественных метрик:

Для качественных метрик:

Мы в Delivery Club запилили свою систему АБ тестирования с автоматизацией всего процесса, метриками, админкой, визуализацией результатов и все в этом ключе. Сейчас уже катаем по 30 экспериментов ежемесячно и планируем масштабироваться дальше - как вертикально, так и горизонтально! Также на очереди куча улучшений со стороны скорости расчетов, интерфейсов и функционала. Кирилл написал про это статью - https://habr.com/ru/company/deliveryclub/blog/557308/ - рекомендую к прочтению

Давно я ничего не публиковал - надо это исправлять. Прошло чуть больше года с момента моего интервью с Владом Исмагиловым, человеком, который показал мне, что же такое на самом деле аналитика. В прошлый раз я опубликовал половину нашей беседы, пришла пора опубликовать вторую :) Первую часть интервью можно найти тут

6. Ты упомянул, что для того, чтобы попасть в аналитику хорошо бы сделать какой-то pet-project. Но во многих вакансиях пишут, что требуется 1-2 года опыта работы в отрасли. Людям, которые решили сменить профессию или только делают первые шаги - где им этот опыт взять и чем его заменить на собеседовании?

Хороший вопрос. Мне кажется, требование "1-2 года опыта работы" очень многими компаниями слишком преувеличена. При этом есть те, кто относится к этому не так формально. В целом, если кандидат способен решать нужные для компании задачи - это уже ок. А опыт можно получить через те же самые стажировки. Вряд ли какая-то стажерская вакансия требует многолетний аналитический стаж. И обычно решение о переводе в штат принимается сильно раньше - если во время стажировки понимаем, что человек уже справляется и погрузился в специфику бизнеса, никто не будет ждать 2 года, чтобы формально его перевести на какую-то открытую вакансию. Если обобщить, то:
- хорошо бы иметь какие-то свои проекты, которые не стыдно указать в резюме, профиле на гите или еще где-нибудь
- прохождение стажировок, где человек просто набирается опыта
- нетворкинг, чтобы понимать, чем живет отрасль, кто такие вообще аналитики, какими задачами они занимаются. И в процессе таких разговоров вы так или иначе натолкнётесь на задачу или проект, который позволит вам продвинуться с точки зрения смысла, а не формального опыта аналитики или стажа

7. Что тебя больше всего привлекает в работе аналитиком? Что для тебя является драйвером просыпаться и идти на работу?

Какой сложный вопрос. Скорее любопытство. Всегда новые знания, новые сложности, новые проблемы, которые ты стараешься решать через все имеющиеся у тебя навыки. Мне нравится сам процесс того, как обычно работают аналитики - через критическое мышление, подходы максимальной объективизации насколько это возможно. И нравится все это применять к сумбурному, хаотичному миру реального бизнеса, где заказчики задают сложные, открытые, непонятные, иногда даже ненужные вопросы. И вот когда ты получил какое-то новое знание, перевернувшее понимание команды об устройстве сервиса или рынка, убедил всех в этом, сыграл ключевую роль - вот это супер мотивирует. И, конечно, преодоление всех новых вызовов, которые сначала казались сложными и невозможными. Учиться чему-то новому и обучать других тоже важный аспект. И они тебя чему-то учат, и ты их чему-то учишь - это очень важный аспект лично моей мотивации.

8. Ты говоришь, что тебе нравится сам процесс того, как работают аналитики. Но так, как это происходит в аналитике Яндекса, мало где еще происходит на рынке. Вообще на рынке понятие того, кто такой аналитик, и чем он занимается, очень сломано. Как минимум в России. Для многих компаний аналитик - это интерфейс к данным. Почему так происходит по твоему мнению?

Не совсем однозначный вопрос. Все компании безусловно разные. В целом про рынок можно судить, но это будет все же каким-то обобщением. Часто аналитиков действительно используют не совсем по назначению - они такие человекопонятные интерфейсы к данным. Ты задаёшь вопрос, а аналитик тебе отвечает ровно на этот вопрос. И часто это вопросы очень просто формулируются, например, какая величина метрики Х, какая у неё динамика, или как она ведёт себя в таком-то срезе. Это просто в реализации, просто в понимании. Поэтому часто небольшие компании или даже иногда большие сваливаются именно в такой процесс работы с аналитиками. При этом ни заказчик, ни аналитик часто не задумываются над следующим большим шагом. Это история про большее погружение в более широкие и не такие однозначные вопросы, где ответ не просто «да» или «нет», цифра «15» или еще-то такое, а гораздо более философский и абстрактный, где наличие аналитика как раз необходимо при большой неопределённости в самой работе. Поэтому не так много компаний до этого доходят или просто не хотят до этого доходить. Т.е. здесь важно, чтобы аналитик сам выстраивал вокруг себя эту культуру аналитической работы, или заказчик понимал, что то, как он работает с аналитикой - это не то, как он бы на самом деле хотел с этим работать. Важно, чтобы хотя бы кто-то из этих двух сторон не молчал и как-то способствовал развитию процесса и взаимодействия. Ну и всегда любая аналитическая работа строится вокруг процесса принятия решения, в котором практически невозможно обладать всей необходимой информацией. А значит при принятии решений всегда будет какой-то трейд-офф между тем объемом информации, которым вы обладаете, и тем объемом риска, который вы готовы принять.

9. Давай немного поговорим про хайп вокруг аналитики, data science, в особенности ML/AI. Откуда он возник, почему он такой, и когда в России это стабилизируется?

Так происходит, потому что наработки в этой области стали действительно хорошо решать определенный пласт задач. В ряде задач алгоритмы работают даже лучше, чем живой человек. И это позволяет двигать прогресс вперёд, а компаниям становиться более эффективными и получать какие-то знания, до которых человек просто не мог добраться своим иттеративным путем. Поэтому это направление безумно популярно. Вторая история заключается в том, что с развитием интернета растёт количество собираемой информации. Эти объемы уже настолько большие, что без развития инструментов в этом направлении никто такой объём данных уже не сможет отсмотреть глазами. Сбор разной информации, ее наличие в компании и некое желание использовать это для пользы бизнеса и приводит к тому, что развиваются разные решения по хранению данных, их обработке, анализу и, конечно, алгоритмам машинного обучения, которые определённый класс задач могут просто снять с человека, освободив его для решения каких-то более сложных и абстрактных задач. Я думаю это направление будет и дальше развиваться, так как то, в какой фазе оно сейчас находится - это тоже далеко не идеал. Как минимум есть много сильных и сложных задач в исследовании аппаратной части, потому что большинство алгоритмов, как их не называй, работают на текущих железках, которые далеко не для всех задач предназначены.

10. Собственно, почему спросил этот вопрос. Если посмотреть на рынок развития этих технологий, алгоритмов - на нем сильно доминируют зарубежные игроки. Это выпускники известных университетов, зачастую получившие PhD, статьи крупных компаний, например, Google, Netflix, Facebook. В России такое мягко говоря не наблюдается. У нас вряд ли можно с ходу назвать выдающихся первооткрывателей или продвиженцев в этой отрасли. Мы, скорее, пользуемся готовыми стеками. Почему сложилась такая культура, почему развитие идёт в основном с запада, а мы только пользуемся их наработками?

Не соглашусь, что все идёт с запада. У нас технические специалисты очень высокого класса. Этому способствуют понятные процессы в крупных компаниях, которые направлены на решение каких-то своих задач, развитие своих продуктов. За счёт технологий как раз и происходит конкуренция. А то, что мы чаще наблюдаем какие-то публикации гигантов просто результат того, что эти компании кратно большего масштаба - там больше специалистов, больше усилий, больше комьюнити. И поэтому эти наработки приходят оттуда в соизмеримо большем количестве. В России при этом есть сообщества, процессы, университеты, которые в различных современных историях участвуют, являясь первооткрывателями. При этом, с точки зрения технологического прогресса, многие компании делают общедоступными большое количество проектов - это касается алгоритмов машинного обучения и хранения данных. Такие процессы у нас есть, а то что мы чаще видим публикации западных компаний - это результат конкуренции рынка. Компании больше и у них больше ресурсов, которые они могут направить на такие разработки. При этом наше образование готовит хорошие кадры в разработке, аналитике данных и машинном обучении. В различных соревнованиях мы оказываем достаточно серьезную конкуренцию всем странам, которые принимают в них участие. Все компании на каком-то этапе времени задумываются над такими задачами и проблемами и развивают различные академические программы, где практикующие специалисты проводят лекции, принимают задания и в целом культивируют интерес к этой отрасли, без которого развитие не возможно.

11. Раз мы затронули тему запада, у меня есть еще один вопрос. Там культура data-driven принятия решений зародилась сильно раньше, чем в России. И сейчас успех многих компаний, например, Netflix, связан с тем, что у них сильные специалисты по аналитике и машинному обучению, и это движет их бизнесы. В России очень мало компаний используют данные, чтобы искать точки роста. Это происходит, потому что мы еще не до конца созрели или потому что у нас не хватает специалистов достаточного уровня, чтобы помогать принимать такие решения?

Это понятный эволюционный шаг, к которому все больше компаний во всем мире будет приходить. Возможно на западе это происходит чуть быстрее из-за конкуренции, и часть компаний вынуждена использовать новые подходы, которые не применили их конкуренты. Именно конкуренция является драйвером прогресса во всех сферах. На нашем рынке тоже есть компании, которые сталкиваются с жесткой конкуренцией с теми же западными сервисами, решающими похожие задачи. Туда идут хорошие специалисты, они там обучаются, развиваются, решают задачи ничуть не хуже, чем компании большего масштаба. На самом деле любая компания работает с данными, ключевой вопрос - как они с ними работают. У того же Netflix была жесткая конкуренция с Blockbuster, где они начинали с проката физических дисков. И вот они эволюционно дошли до того, что с помощью хитрой рекомендательной системы могут эффективно конкурировать в классической модели бизнеса, а развитие интернета трансформировало их, но сохранило ценность бизнеса, которую они и так уже развивали. Чем больше у компании данных, тем больше размышлений появляется - как эти данные можно использовать для бизнеса. Чем больше на эту тему размышлять, тем жёстче конкуренция, тем чаще появляются какие-то правильные прогрессивные вещи.

Одна статья хорошо, а две лучше! Продолжаем писать о том, как аналитика в Delivery Club помогает улучшать процессы внутри компании и расти еще быстрее. В этот раз Костя Измайлов рассказал про геопространственное моделирование с применением методов машинного обучения. Простыми словами - как быстро и просто определить зону доставки для нового ресторана. Про то, какие способы попробовали, почему они не подошли, и на чем в итоге остановились, можно почитать тут - https://habr.com/ru/company/deliveryclub/blog/563064/

P.S. Если не любите читать, в конце статьи есть запись выступления на конференции, после которого и родилась эта статья

Кажется, ребята пишут посты быстрее, чем я успеваю собраться и разобрать контент-план для канала :) Но да, мы снова сделали статью, снова на хабр, снова с полезным и практичным материалом. Писали про аналитику, писали про DS, теперь на повестке дня - BI. Юля и Наташа рассказали, как работает система мониторинга данных, как принимается решение о качестве расчетов и как об этом узнавать раньше, чем пользователи. По сути получился небольшой гайд, применимый к любой БД - https://habr.com/ru/company/deliveryclub/blog/574384/

Всем привет! Довольно часто люди скептически относятся к вкладу аналитики и data science в бизнес - "да вы там просто в циферках копаетесь". Этот миф в целом не сложно развеять на реальных примерах. Именно про такой пример - эволюцию рекомендательных систем - и говорит Ваня в новом цикле статей, который начали публиковать на Хабре. Первая статья в большей степени не про техническую сторону ML, а именно про пользу для бизнеса. Поэтому будет интересно не только аналитикам, но и всем остальным. Ребята проделали большой подход от алгоритма и замеров через АБ до фактически выкаченных фич в прод. Очень рекомендую к прочтению - https://habr.com/ru/post/656505/

Когда впервые аналитики сталкиваются с задачей визуализацией данных, у них часто возникают вопросы:
- какой график мне использовать?
- как правильно расставить акценты?
- как сделать визуализацию читаемой, когда очень много данных?
- какие есть best-practices вокруг графиков?
- и многое другое

Ниже я поделюсь набором полезных ресурсов из своей коллекции, которые могут с этим помочь:
1. Замечательная книга Коул Нассбаумер Нафлик "Данные: визуализируй, расскажи, используй"
2. Книга с человеческим описанием стандартов International Business Communication Standards (IBCS) - Антон Жиянов "Data Visualization Guide for Presentations, Reports, and Dashboards" (ссылка)
3. Различные style-guide:
- Urban Institute - https://urbaninstitute.github.io/graphics-styleguide/
- Cato Institute - https://github.com/glosophy/CatoDataVizGuidelines/blob/master/PocketStyleBook.pdf
- Большая коллекция различных style-guide - https://policyviz.com/2016/11/30/style-guides
4. Подход к цветовым палитрам компании Ant - https://ant.design/docs/spec/colors
5. Хороший набор советов от компании Salesforce - https://www.lightningdesignsystem.com/guidelines/charts/
6. Цвета и их комбинирование на графиках от компании Adobe - https://spectrum.adobe.com/page/color-for-data-visualization/
7. Принципы визуалиции данных в Material Design - https://material.io/design/communication/data-visualization.html
8. Каталог различных визуалиций - https://datavizcatalogue.com/#google_vignette
9. Отличный курс по визуалиции от Google - https://coursera.org/share/9fac5ef9883dbf6fb32140060d5e99a1
10. Интересный PDF, который должен помочь выбрать нужный тип графика для разных данных (прикрепил ниже)

MADE открыла набор в свою школу. Ребята сделали прикольный тест на проверку знаний - рекомендую попробовать свои силы, мне прям очень понравился (заберу пару вопросов на собеседования даже) - https://habr.com/ru/article/669062/