Гайд по аналитикам: какие они бывают? 📊

Когда я говорю, что работаю аналитиком, то часто слышу: «О, а ты бизнес/системный/крипто аналитик?» 🤔

Давайте разберёмся, кто есть кто в мире аналитиков 👇

📈Продуктовый аналитик (Product Analyst)
Чем занимается:
• Строит воронки конверсии — анализирует путь пользователя от первого касания до целевого действия
• Проводит A/B-тесты — проверяет гипотезы по улучшению продукта
• Анализирует поведение пользователей — изучает, почему одни остаются с продуктом надолго, а другие уходят после первого дня
Средняя ЗП*:
150к - 320к ₽ 💰
Вакансий на hh: ~2500

🔍 Аналитик данных (Data Analyst)
Чем занимается:
• Строит дашборды и отчёты — создаёт визуальные панели и регулярные отчёты для разных отделов компании
• Ищет инсайты в данных — находит аномалии, выявляет тренды, объясняет, почему метрики изменились
• Работает с базами данных — извлекает нужную информацию с помощью SQL-запросов и превращает её в понятные выводы для бизнеса
Средняя ЗП*:
100к - 250к ₽ 💰
Вакансий на hh: ~6700

🏢Бизнес-аналитик (Business Analyst)
Чем занимается:
• Работает на стыке бизнеса и IT — собирает требования от бизнеса и переводит их на язык, понятный разработчикам
• Описывает бизнес-процессы — документирует, как работают процессы в компании
• Анализирует эффективность процессов — предлагает конкретные улучшения для ускорения и упрощения бизнес-операций
Средняя ЗП*:
110к - 250к ₽ 💰
Вакансий на hh: ~8600

💼Финансовый аналитик (Financial Analyst)
Чем занимается:
• Работает с деньгами компании — управляет финансовыми данными и помогает бизнесу эффективно распоряжаться ресурсами
• Анализирует рентабельность — оценивает доходность разных направлений бизнеса и продуктов
• Строит модели unit-экономики — считает, сколько стоит привлечь клиента и сколько он принесёт денег за всё время взаимодействия с компанией
Средняя ЗП*:
140к - 250к ₽ 💰
Вакансий на hh: ~4600

🤖Data Scientist
Чем занимается:
• Строит ML-модели для предсказаний — создаёт системы машинного обучения, которые автоматически анализируют данные и делают прогнозы
• Предсказывает отток клиентов — строит модели, которые заранее определяют, кто из клиентов может уйти
• Работает на стыке аналитики, программирования и математики — использует продвинутую статистику, алгоритмы и ML для решения бизнес-задач
Средняя ЗП*:
130к - 360 000 ₽ 💰
Вакансий на hh: ~1000

🖥Системный аналитик (System Analyst)
Чем занимается:
• Описывает, как должна работать IT-система — создаёт детальную техническую документацию
• Собирает требования от бизнеса — общается с заказчиками и превращает их пожелания в чёткую техническую документацию для разработчиков
• Рисует схемы процессов — создаёт диаграммы, описывает логику работы функций, продумывает сценарии использования системы
Средняя ЗП*:
140к - 310к ₽ 💰
Вакансий на hh: ~4100

📊BI-аналитик (Business Intelligence Analyst)
Чем занимается:
• Строит дашборды и витрины данных — создаёт централизованные наборы данных с ключевыми метриками компании для быстрого доступа
• Создаёт удобные интерактивные отчёты — создаёт визуальные панели и регулярные отчёты для разных отделов компании
• Помогает всем отделам принимать решения — от маркетинга до финансов обеспечивает визуализированными данными для обоснованных бизнес-решений
Средняя ЗП*:
150к - 300к ₽ 💰
Вакансий на hh: ~1600

* - зарплаты указаны примерно для Москвы и крупных IT-компаний, в регионах суммы могут быть на 20-40% ниже

Лайфхак:

Честно говоря, за годы работы аналитиком данных я постоянно оказывался на пересечении всех этих ролей, и теперь знаю точно — есть набор знаний, которые нужны каждому аналитику 💯

Именно о них я и рассказывал в своём бесплатном туториале для начинающих аналитиков 👀

Ставь ❤️ если зашло

Кэшбек — бесплатная скидка или скам? 😦

Этот пост — часть рубрики, в рамках которой можно обрести насмотренность для решения бизнес-кейсов, которые так часто возникают на собеседованиях для аналитиков 📊

В прошлый раз ты узнал(-а) про динамическое ценообразование в ритейле, а теперь разберём немного финтеха: откуда у тебя появляется кэшбек в банке и за чей счёт он на самом деле существует?

Представим ситуацию:
в кофейне ты берёшь раф из Авито на миндальном, расплачиваешься картой и получаешь назад 5% от его стоимости бонусами на ту же карту

☕️

Обычно мы считаем, что такой банковский кэшбек является 💅благотворительностью💅, но на самом деле это продуманный механизм, основанный на борьбе за клиента

Так откуда у банка деньги на твой кэшбек?

1. Межбанковские комиссии - когда ты покупаешь кофе с карты, торговая точка выплачивает комиссию банку-эквайеру (банк, обслуживающий магазины). А тот, в свою очередь, делится частью этих денег с банком-эмитентом (банком, который выпустил твою карту) 💳

2. Партнерские соглашения - кэшбек в конкретной кофейне тебе часто может финансировать сама кофейня, доплачивая банку за привлечение трафика и увеличение среднего чека, покупая твою лояльность 🤑

3. Прибыль от кредитов - программы лояльности финансируются за счет высокой маржи по кредитным картам. Проценты и пени, которые платят одни клиенты, позволяют банку вернуть тебе часть средств за твой любимый латте 🤔

4. Экосистема и долгосрочная выгода - банк готов нести краткосрочные убытки ради удержания хороших клиентов. Довольный бонусами чел дольше хранит деньги на счетах и в будущем с большей вероятностью купит страховку, оформит ипотеку или подключит платные сервисы 💰

Увы, кэшбек — это не бескорыстный подарок, а инструмент, выгодный всем участникам цепочки 📈

Кстати, выбор категорий кэшбека, вероятно, даёт банку широкий простор для проведения A/B-тестов: экспериментируя с набором доступных категорий и размером процента для разных групп пользователей, аналитики находят оптимальный баланс между вашими тратами и затратами банка (но это лишь моя догадка), отсюда и всякие мемы про "кэшбек 7.3% на корм для бобров"

Понравилась такая рубрика? Ставь красную реакцию ❤️🍓

Линейное мышление тебе мешает 📉

Недавно обучая нейросеть со студентами, я задумался о том, что мы учим модели улавливать нелинейные зависимости, а сами продолжаем думать линейно 🤔

Мы привыкли к интуитивной логике: чем больше усилий - тем больше результат (т.е. линейная зависимость)
Но когда начинаем наблюдать за реальностью, то оказывается, что жизнь чаще протекает по другим уравнениям 🤔

Нелинейность — это когда результат непропорционален усилиям: иногда одно действие даёт столько эффекта, сколько не приносили годы работы

Разберём на конкретных примерах:

1. Создание контента - месяцами снимаешь и пишешь материалы, со скрипом набираешь каждые 100 подписчиков - и вдруг один пост "залетает", его репостит крупный канал, и за ночь приходит больше людей, чем за полгода, а усилий на этот пост потрачено ровно столько же, сколько на остальные 🤯

2. Изучение новой дисциплины — на примере Data Science это ощущаешь особенно остро: месяцами разбираешь формулы, матрицы, производные, а модели все ещё кажутся чёрным ящиком. Прогресс едва заметен, но вдруг линейная алгебра, статистика и градиентный спуск складываются в единую картину, и ты начинаешь видеть, почему нейросеть обучается именно так💡

3. Поиск работы — десятки резюме, собеседования, отказы. Из-за этого кажется, что КПД стремится к нулю, но каждый отказ чуть подтачивает резюме и прокачивает ответы на вопросы. В итоге один звонок или случайное знакомство приводят к офферу мечты, и весь предыдущий опыт оказывается всего-лишь подготовкой к этой единственной точке 📍

4. Масштабирование мёртвого продукта — пример обратной нелинейности: можно работать по 20 часов в сутки и лить огромные бюджеты в маркетинг - и не получить ничего, если рыночного спроса на продукт нет. В таком случае "больше усилий" = "быстрее сжигаешь ресурсы", при этом даже не приближаясь к результату 🔥

Окей, но как это применить? 🤷‍♂️

Учись не ждать линейного роста — усилие не всегда равно результату здесь и сейчас. Дай процессу время, и если даже через разумный срок динамики совсем нет — это сигнал пересмотреть стратегию, а не удваивать усилия вхолостую

✍️

Быстрые результаты — это исключение, которое современный мир обобщил в норму. Но вот только чаще реальность так не работает, и об этом следует помнить 🌱

Кстати, это напрямую связано с аналитическим мышлением: умение находить точки максимального рычага в продукте, гипотезах или собственном развитии - один из ключевых навыков хорошего аналитика 📊

Лучший способ поддержать такой формат постов - поставить реакцию ❤️‍🔥 или поделиться мнением в комментариях

Как начать карьеру в образовании? 🎓

Если ты часто задаёшься этим вопросом, то сейчас самое время попробовать себя в роли преподавателя на интенсиве от Центрального Университета 😀

22 марта ЦУ начнёт интенсив для специалистов в ИТ, которые готовы делиться знаниями со студентами, но не знают, с чего им начать 🤔

Все подробности - в посте от моих коллег 👇

Библиотеки для анализа данных: с чего начать? 🐍

Сегодня разберём один из самых частых вопросов у тех, кто задумался об изучении анализа данных:

Как мне изучать библиотеки Pandas, Matplotlib и Seaborn?

Там же дофига функций и методов 🥲

Как по мне, это правда достаточно неочевидный вопрос, т.к. сами по себе библиотеки довольно объёмные и содержат кучу методов и функций, из-за чего можно подумать, что надо запомнить их все.
Спойлер: это далеко не так, и чтобы быстро их изучить попробуем исходить из практики

Более длительный вариант (для тех, кто любит статьи и курсы):

• Pandas - самая важная библиотека, чтобы работать с табличными данными. Здесь нужно научиться их фильтровать, группировать и производить преобразования таблиц. В связке с ней можно изучить NumPy - разберётесь с массивами и векторными вычислениями, что иногда сильно ускоряет работу с числами. Хороший материал для старта - хендбук от Яндекса по NumPy и Pandas 📋

- Matplotlib - да, кода много и поначалу библиотека кажется громоздкой, но именно она даёт полный контроль над каждым элементом графика и закладывает понимание того, как устроена визуализация в Python в целом. Разобравшись в ней один раз, ты получишь понимание того, как работает визуализация у других библиотек 🎨

- Seaborn - это как раз надстройка над Matplotlib, которая позволяет строить красивые статистические графики буквально в одну строку. После базового Matplotlib обычно сразу ощущается, насколько это удобно. Один из способов изучить — просто листать галерею примеров на официальном сайте и разбирать код 😌

Быстрый вариант (для тех, кто любит практику):

Тут лучшая стратегия - взять реальный датасет и "покрутить" его, попытавшись найти в нём закономерности и инсайты 🔍
Заходим на Kaggle, находим интересный для себя датасет, пытаемся задавать себе вопросы по его структуре (тут можно попросить GPT составить по датасету вопросы) и пытаемся ответить при помощи вышеупомянутых библиотек и их документаций - сначала чистим/агрегируем/фильтруем данные в Pandas, потом визуализируем закономерности 📊
Уверяю, что такая практика на реальных данных в разы эффективнее чтения туториалов без применения навыков, и таким образом можно изучить эти библиотеки за неделю 🔥

Если наберём 100 ❤️, то сделаю авторский jupyter-ноутбук с датасетом и конкретными вопросами к нему. Решив его, ты сможешь поставить галочку в изучении этих библиотек

Авторский ноутбук для практики Pandas и визуализаций 👨‍💻

Подъехали новые материалы для канала 🎉

В этом jupyter-ноутбуке можно загрузить датасет по продажам кофе (конечно, Раф там тоже есть) и попробовать выполнить несколько заданий на Pandas, Matplotlib и немного Seaborn 📊

Если выполнишь предложенные задания, то можешь считать, что обладаешь базовым минимумом для стажировки (а может и больше) по анализу данных 😎

Сам файл можно забрать в боте по команде

/jupyter

Ну и реакциями давайте поддержим ❤️, а то собирать всё это оказалось довольно непросто 😮‍💨

AI оптимизирует экономику тг-канала 🤖

Я заметил, что в какой-то момент этот блог, который изначально был просто увлечением, превратился в мини-продукт со своей экономикой: есть ресурсы, есть затраты, а следовательно появляется и метрика окупаемости 🤫

Например, чтобы телеграм-бот стабильно делился с вами полезными и бесплатными материалами, мне нужно:

• выделить время на подготовку этих материалов
• платить каждый месяц за сервис-конструктор тг-бота

То есть в любом случае есть косты: и время, и деньги 💸

И если смотреть на блог как на продукт, то ведение контента без монетизации в какой-то степени становится благотворительностью с отрицательной окупаемостью, но как аналитику мне хочется, чтобы такая система была оптимальна и не разваливалась по ресурсам 📊

Поэтому я смотрю на это как на задачу оптимизации: где можно уменьшить затраты, а где можно повысить отдаваемую пользу ⚖️

А ещё для сокращения костов можно подключать самые разные навыки: например, я учился на разработчика на ФКН Вышки, и сейчас в связке с вайбкодингом можно переписать тг-бота под своё решение, вынести его на иностранный сервер и проверить, насколько это сократит косты по сравнению с подпиской (если знаете хороший VPS для тг-ботика - напишите в комментарии 🙏)

Следующий шаг в рамках оптимизации - отреагировать на замедление телеграма и выйти на дополнительные источники трафика, так что увидимся и на других площадках)

И да, лучшая помощь такому продукту - это поставить ❤️ под этим постом, а я буду отдавать ещё больше)

Аналитику изучают ещё в школе 😱

Да-да, и ты когда-то тоже её изучал.
Только называлась она физикой 🤫

Если чуть отойти от формулировок из учебников, то на физику можно смотреть как на попытку описать и «оцифровать» реальный мир: придумать для него понятные метрики и договориться, как именно мы будем их считать. Потом эти метрики стыкуются в модели, по ним делают выводы и проверяют гипотезы... Звучит знакомо, да?)

Возьми хотя бы скорость, массу, силу или энергию. Это всё меры того, насколько быстро что-то движется, насколько оно «тяжёлое» для ускорения, насколько сильно на него давят, сколько работы удалось запасти. Константы вроде g = 9.8 м/c^2 или универсальной газовой R — это фиксированные коэффициенты, которые мы один раз хорошо померили и дальше спокойно используем как «эталонные значения» для оценки явлений, чтобы не пересчитывать каждый раз вселенную с нуля 🧠

Дальше есть идея нормировок: например, давление — это сила, поделённая на площадь. Мы берём эффект и делим на масштаб, чтобы получить показатель (как в ARPU — делим выручку на кол-во пользователей). Плотность — масса на объём, удельная теплоёмкость — на градус. Везде одна идея: взять величину в более удобном и отнормированном виде.

А что с «экспериментами»? В лабораторных работах ты редко делаешь ровно АБ-тест в корпоративном смысле, но идея та же.
Например, измеряем ускорение тележки с грузом: в одном прогоне считаешь, что трение почти нулевое, в другом — намеренно меняешь условие (ставишь на другую поверхность) и смотришь, как поменяется результат. Контрольная и экспериментальная серии измерений, табличка значений, график — и ты уже почти проверил гипотезу.

Ну, или если совсем по-продуктовому: у тебя есть гипотеза из теории, ты собираешь данные, сравниваешь сценарии и подгоняешь делаешь вывод лабораторной работы

Плюсом идут погрешности приборов (как шум в данных), усреднения (чтобы нивелировать дисперсию в наблюдениях), графики зависимости как твой первый дашборд на бумаге. Даже порядок величин и размерности — это как алёрты в данных перед тем, как отдать отчёт: если в ответе человек бежит со скоростью 100 м/сек, то где-то точно есть ошибка 😅

В общем, если ты когда-то изучал школьную физику, то ты уже тренировал мозг на вещах, которые часто нужны в аналитике: выбрать метрику, понять масштаб, нормализовать, проверить гипотезу данными и статистически признать расхождение модели с реальностью 📈

Не забываем, что сила канала измеряется не в ньютонах и не в правде, а в красных сердечках под постами ❤️

Есть кто на Aha’26? Газ нетворкаться 😎

Если вы на конференции в Москве, то давайте спишемся в ЛС @rafaeldks - и вживую поболтаем за жизнь, аналитику, Авито и любые другие приколы.

Нетворкинг (кумовство) - вещь полезная 🤝

А в выходные должен выйти неочевидный (на мой взгляд) пост про ML.
Давайте поставим ❤️, чтобы ускорить его выход