Вакансии в аналитике: что важно работодателям?

Всем привет! На связи Александр Грудинин, ментор курса «Аналитик данных» 👋🏻

Сегодня посмотрим на свежие вакансии для аналитиков данных. Акцент сделаем на обязанностях и требованиях к кандидатам, а также формату работы.

Вот список вакансий:

https://hh.ru/vacancy/130941500 (в архиве)
https://hh.ru/vacancy/130886039
https://hh.ru/vacancy/130890343
https://hh.ru/vacancy/130955912
https://hh.ru/vacancy/130952083 (уже закрыта)
https://hh.ru/vacancy/130871256
https://hh.ru/vacancy/130761447
https://hh.ru/vacancy/130320128 (в архиве)

Начнём с обязанностей. Почти везде есть базовый набор: подготовка дашбордов и отчётности, ad-hoc аналитика, взаимодействие с бизнесом. Интереснее смотреть на отличия.

🟠 Аналитика данных и отчётность присутствуют во всех 8 вакансиях без исключения — и это неудивительно. Данные сами по себе не имеют ценности, пока кто-то не превратит их в понятную картину для принятия решений. Именно этим и занимается аналитик: проводит исследования, строит дашборды, поддерживает отчёты, готовит презентации для бизнеса/руководства.

🟠 Ad-hoc аналитика явно упоминается у Сбера, Т-Банка и X5, в остальных подразумевается. Ad-hoc бывает разный: когда-то могут попросить сделать выгрузку, иногда — разобраться, почему упала метрика, или сделать отчёт «ко вчера» 🙂 То есть всегда важно уточнять, какого рода ad-hoc практикуется в компании и каков его объём.

🟠 A/B-тесты и эксперименты — только X5 Digital и Яндекс. A/B-тесты — тема непростая, и не в каждой компании есть культура и инфраструктура для них. С другой стороны, и не все аналитики готовы этим заниматься.

🟠 Работа с источниками данных, парсинг и автоматизация — Сбер и Флюид-Лайн: аналитик должен настраивать сбор и парсинг логов, кластеризировать сырые данные. Это уже инженерная задача, что показывает тренд на ещё большее размытие границ между дата-специалистами.

🟠 Взаимодействие с бизнесом фигурирует в том или ином виде в каждой вакансии. Это говорит о том, что аналитик данных — не строго технический специалист: необходимо уметь общаться с людьми и понятно презентовать результаты своей работы.

Теперь пройдемся по хард-скиллам.

➖ SQL — 8 из 8. В разных компаниях просят разный уровень. В любом случае SQL остаётся одним из основных навыков, которым стоит овладеть на достаточно уверенном уровне, если вы хотите начать ходить на собеседования.

➖ Python — 7 из 8 (нет только у Альфа-Банка). Везде как минимум классика — pandas/numpy. Также почти must-have для аналитика данных. Без знания этого языка можно работать, но это накладывает ряд ограничений, а многие компании не будут рассматривать вашу кандидатуру без него.

➖ BI-инструменты — 7 из 8. Чаще всего Power BI. FineBI у Совкомбанка — обязательное условие, и видимо, это достаточно специфичная вакансия, раз опыт владения инструментом прописан явно. Здесь я как и всегда скажу: стоит овладеть на достаточном уровне каким-либо одним BI-инструментом и делать упор на базовые принципы визуализации, так как компании, как правило, не требуют строго конкретного инструмента.

➖ Excel — 4 из 8, преимущественно банки. Мой опыт говорит, что даже если его не указывают в описании, минимально уметь пользоваться Excel или Google Sheets всё равно стоит. А если освоите ВПР / VLOOKUP — это, несомненно, добавит респекта в глазах коллег 🙂

➖ Опыт — Яндекс и Сбер (стажировка) берут без опыта, большинство — от 1–2 лет, X5 — от 3 лет. Что-то мне подсказывает, что на вакансию с требованием от 1–2 лет можно попробовать откликнуться и с учебным опытом 😉

Из необычного — в Сбере уже начали явно прописывать опыт работы с нейросетями. Думаю, скоро такое будет в каждой второй вакансии.

Большинство вакансий — офис или гибрид. Полная удалёнка встречается только в одном случае из восьми. Гибрид у двух компаний прописан явно, у одной — «по договорённости с руководителем», что по факту не гарантия.

Вот такой срез рынка на начало марта. Если вы сейчас в поиске или только планируете войти в профессию — надеюсь, это помогло сориентироваться!

📈 Симулейтив

⬆️ Ментор курса «Аналитик данных» Александр Грудинин поделился, на что он смотрит перед тем, как пригласить человека на собеседование.

Кстати, поток с его менторской поддержкой уже стартовал! Присоединяйтесь: simulative.ru/data-analyst

Вебинар: как аналитику данных эффективно использовать ИИ

Часто бывает так: бизнес даёт размытый запрос («растим заказы, но падают оценки, разберитесь»), а вы не знаете, с какой стороны подойти к задаче.

На вебинаре с Мариной Ермак мы пройдём полный путь решения реальной проблемы. В прямом эфире разберём кейс на открытом датасете: от туманной формулировки и построения гипотез до их проверки и визуализации метрик.

Вы увидите, как нейросети помогают аналитику не утонуть в рутине, а сфокусироваться на выводах. Все материалы будут у вас на руках — ссылки и QR-коды для повторения скинем во время вебинара!

➡️ Зарегистрироваться на вебинар

На вебинаре разберём по шагам:

➖ Как ИИ помогает превратить размытый запрос бизнеса в чёткий план действий;
➖ Как быстро находить первые сигналы проблемы, анализируя с ИИ готовые отчёты и дашборды;
➖ Как выстроить весь процесс анализа с использованием ИИ.

❗️ Присоединяйтесь 18 марта в 19:00 МСК.
🎁 Бонус за регистрацию — подборка из 15 промптов для работы аналитика!

➡️ Зарегистрироваться на вебинар

📈 Симулейтив | ВК | YouTube

Как автоматизировать дашборд при помощи ИИ

Привет! На связи Марина Ермак, автор курса «ИИ для анализа данных» 👋🏻

Есть популярное заблуждение: сейчас подключим ИИ, и он сам соберёт нам красивый, умный и полезный дашборд. К сожалению, это далеко не так — но с рутиной ИИ действительно помогает.

Если смотреть на самые популярные варианты автоматизации, то обычно это:

📈 Power BI + Copilot — помогает собирать черновики отчётов, подсказывает визуализации, объясняет формулы и отвечает на вопросы по данным;
📈 Tableau + AI/Pulse — хорош для исследования данных, поиска аномалий и коротких summary по метрикам;
📈 Looker + Gemini — удобен там, где уже есть нормальная модель метрик и хочется общаться с данными текстом.

Как этим пользоваться на практике?

На самом деле самое важное здесь — порядок и понимание конечной цели. Сначала привести в чувство метрики, названия полей и логику расчётов, потом — отдавать ИИ черновую сборку дашборда, подбор визуалов, поиск отклонений и ответы на типовые вопросы. То есть не «сделай всё сам», а «ускорь мне первый проход».

Что не стоит отдавать на автоматизацию:
➖ Финальную логику KPI;
➖ Доступ к чувствительным данным без ограничений;
➖ Проверку качества источников;
➖ Итоговые выводы для бизнеса без ревью человеком.

Потому что ИИ неплохо отвечает на вопрос «что происходит», но на вопрос «почему это произошло» часто начинает очень уверенно фантазировать 😀

Хороший сценарий использования выглядит так: человек проектирует смысл, ИИ ускоряет сборку и анализ, человек проверяет результат.

То есть ИИ в дашбордах — это не замена аналитика. Это очень быстрый помощник, которому нельзя без проверки доверять финальные выводы.

💡 Я рекомендую начать с простого: взять один конкретный сценарий и пройтись по нему с ИИ. Например, взять еженедельный дашборд по продажам, сделать для него AI-саммари отклонений и поштормить с ним возможные проблемы, чтобы предусмотреть тонкие места на будущее.

Но автоматизация дашбордов — лишь малая часть применения ИИ в работе над анализом данных. На курсе я расскажу фундаментальные подходы к автоматизации рутин, разберёмся с тем, как и какие ИИ-инструменты и где использовать, и как можно быстро и наглядно визуализировать данные.

♾ Присоединяйтесь к курсу, стартуем уже 20 марта: simulative.ru/ai-for-da

📈 Симулейтив | ВК | YouTube

Почему вы до сих пор не в аналитике данных (или боитесь начинать)?

Хотим провести для вас полезный эфир и понять, что реально мешает людям войти в профессию. Расскажите, что для вас является самой большой болью (оставьте реакцию под постом):

👍 — страх математики/статистики
🔥 — непонятно, где брать опыт после курсов
❤️ — дорогое и долгое обучение
😥 — сомнения, что профессия перегрета и джунов больше не берут
🧑‍💻 — технический барьер (например, SQL/Python даются тяжело, руки не доходят)

Или пишите в комментариях, какой у вас самый главный страх или возражение? Что вас останавливает прямо сегодня? 👇

📈 Симулейтив | ВК | YouTube

Кейс: как перевести конкурентный анализ на автопилот и спасти культуру созвонов

Привет! На связи Марина Ермак, автор курса «ИИ для анализа данных» 🚀

Я часто встречалась с подходом, когда анализ конкурентов считали либо «творческой», либо разовой задачей. Но на самом деле это трудозатратная операционка, на которую часто тратятся часы сотрудников, или её делают «на коленке» перед самым созвоном.

В консалтинговой компании я внедрила систему регулярного мониторинга через периодические задачи в ChatGPT и сэкономила часы нашей команде 😎

Архитектура решения

Вместо того чтобы вручную проверять сайты и соцсети, мы выстроили трёхэтапный цикл:

1️⃣ Сбор и агрегация: настройка периодических запросов. ChatGPT получает структурированные данные о критериях изучения трендов или конкурентов. Здесь самое важное — точно прописать в промпте фокус исследования, иначе получится каша из данных.

2️⃣ Работа GPT и само сравнение. Хороший промпт сфокусирован на сравнительном анализе. В ряде случаев можно даже отдать ИИ на откуп совокупную оценку тренда или изменения у конкурентов. Здесь мы получаем самые ценные данные.

3️⃣ Рутина. Раз в неделю (или чаще, если захотите) команда получает лаконичный дайджест — это структурированный отчёт. Обычно я делала сначала краткое содержание с ключевыми трендами, а потом уже таблицы с подробным анализом по критериям. Не забывайте про ссылки и про их проверку — всё-таки нейросети любят галлюцинировать!

Главный результат: смерть «информационных» созвонов

Раньше у нас первые 20-30 минут каждой встречи уходили на синхронизацию. Сейчас каждый участник заходит в Zoom, уже прочитав двух-минутный дайджест от ИИ. У всех в голове один и тот же контекст. Мы больше не обсуждаем вопрос «Что произошло?» — мы сразу начинаем с «Что мы будем с этим делать?». Время встреч сократилось минимум на треть, а их глубина выросла в разы.

Получается, что автоматизация через ChatGPT — это не просто способ «не читать новости», это инструмент управления фокусом команды. Когда рутину по сбору и первичной аналитике забирает нейросеть, у людей высвобождается когнитивный ресурс для того, что ИИ пока делает хуже — для принятия сложных стратегических решений 💪🏻

🧑‍💻 Записаться на курс «ИИ для анализа данных»

📈 Симулейтив | ВК | YouTube

Присоединяйтесь сегодня к вебинару по использованию ИИ

В 19:00 МСК вместе с Мариной Ермак разбираем бизнес-кейс и решаем задачу с помощью нейросетей — от туманной формулировки и построения гипотез до их проверки и визуализации метрик. Все материалы вы сможете повторить в прямом эфире, ждём вас!

➡️ Зарегистрироваться

📈 Симулейтив | ВК | YouTube

Пройдите опрос и получите подарок!

Мы хотим лучше узнать нашу аудиторию, чтобы делать наш продукт и контент ещё полезнее. Заполните небольшой опрос (займёт не более 5 минут) и получите полезный материал в подарок.

✍🏻 Пройти опрос

📈 Симулейтив | ВК | YouTube

Запустили Telegram-канал про Data Science и машинное обучение

В нём практикующие ML/DL-инженеры рассказывают доступным языком про прод, пайплайны, метрики, ошибки, фичи, архитектуры и реальные бизнес-кейсы.

В канале вы найдёте:
➡️ Разборы ключевых концепций и подходов в ML/DL на языке инженера;
➡️ Кейсы из продакшена: что сработало, что сломалось, какие выводы сделали;
➡️ Факапы, которые помогут не наступать на те же грабли;
➡️ Карьерные маршруты: какие скиллы нужны ML/DL-инженеру и как их системно прокачивать.

Кому будет полезно:
➖ Действующим ML/DL-инженерам и дата-сайентистам, которые хотят глубже в архитектуры, прод и инженерные практики;
➖ Начинающим ML‑инженерам и DS, которые ищут понятные ориентиры, реальные кейсы и честный взгляд на профессию;
➖ Аналитикам и дата-инженерам, планирующим переход в ML/DL и не желающим тонуть в разрозненных материалах.

Если вы хотите расти как инженер и собирать работающие ML/DL‑системы — присоединяйтесь!

✅ Подписаться

📈 Симулейтив | ВК | YouTube

Новый курс: Data Scientist с нуля до профи

Data Scienсe — это самая высокооплачиваемая сфера в IT: симбиоз навыков из аналитики и инженерии данных, машинного и глубокого обучения. Таких специалистов немного, и на рынке они очень ценятся. Теперь вы можете стать одним из них!

Мы объединили опыт практикующих экспертов, чтобы за 8 месяцев вы:

➖ Освоили полный стек инструментов аналитики и инженерии данных: от SQL, Python и Pandas до Docker, Airflow и ETL-пайплайнов;
➖ Погрузились в мир ML и DL: от регрессии, кластеризации и рекомендательных систем до архитектур нейронных сетей, обработки текста (NLP) и компьютерного зрения (в продвинутом тарифе);
➖ Решили реальные бизнес-кейсы: только практика от действующих аналитиков, которая ляжет в ваше портфолио.

Кому подойдёт курс:

👨‍💻 Новичкам в профессии: с нуля получите востребованную специальность и полный набор навыков для уверенного старта с зарплатой 90 000 — 170 000 ₽ на начальных позициях.
👨‍💻 Аналитикам с опытом: углубитесь в машинное обучение и глубокое обучение нейросетей, сможете прокачаться на текущем месте или перейти на позицию Data Scientist (специалиста по данным), вырастете в доходе.
👨‍💻 Специалистам смежных сфер: научитесь работать с данными, чтобы принимать обоснованные решения, и сможете перейти на позицию Data Scientist (специалиста по данным).

После курса вы сможете не просто обрабатывать данные, а прогнозировать будущее и находить скрытые возможности. Получите диплом государственного образца и уверенно ворвётесь на рынок труда с полным набором навыков!

👉 Записаться на поток со скидкой 30%: simulative.ru/data-scientist

📈 Симулейтив | ВК | YouTube

Вебинар: почему 80% новичков в IT выбирают именно аналитику данных

Аналитик данных — одна из самых востребованных IT-профессий. Но с чего реально начать, какие навыки действительно нужны, а что можно смело пропустить? И главное — как получить первую работу, если у вас нет опыта?

На вебинаре с Павлом Беляевым, тимлидом группы дата-аналитиков в Яндекс eLama, разберём, составим понятный план старта в профессии, а также потренируемся в решении тестовых заданий.

➡️ Зарегистрироваться

О чём расскажем на вебинаре:
➖ Почему аналитика — самый понятный вход в IT;
➖ Какие навыки реально нужны, и что не нужно учить;
➖ Сколько зарабатывают начинающие аналитики;
➖ Как выйти на первую работу без опыта;
➖ Реальный путь входа в профессию.

❗️ Встречаемся 24 марта в 19:00 МСК

💬 Если вы хотите сменить профессию, устали от текущей работы или просто ищете стабильный доход — приходите на вебинар!

➡️ Зарегистрироваться

📈 Симулейтив | ВК | YouTube

Привет, на связи Аслан Байрамкулов, автор курса по A/B-тестированию 👋🏻

Я познакомился с A/B-тестами в теории в 2015-2016 году, а серьёзную практику получил в маркетинговой аналитике Яндекса: мы тестировали гипотезы по водителям, клиентам и тарифам. Именно этот опыт — первый взгляд на практическую сторону работы с гипотезами — дал понимание, что можно не просто тестировать, а выстроить data-driven систему на основе гипотез и тестов.

Это понимание я переиспользовал в X5, где систематизация работы с экспериментами дала огромные плоды: выросли и качество, и скорость работы. Мы создали методологию и внутренний инструмент, через который проходило большинство тестов компании.

В МТС идея инструмента превратилась в open-source библиотеку Ambrosia, которой в настоящее время пользуется большое количество людей из разных компаний.

Курс — логическое продолжение этого пути: передать не просто инструмент, а мышление, которое за ним стоит. Жду вас на курсе, где мы пройдём весь путь от гипотезы до внедрения экспериментов с понятными и эффективными метриками.

👉 Забронировать место: simulative.ru/ab-test

📈 Симулейтив | ВК | YouTube

Глобальные контрольные группы

Привет! На связи Илья Ковалёв, старший аналитик данных в Dodo Brands и автор канала про аналитику кусочек пиццы 👋🏻

У аналитиков время от времени просят оценить эффект всех запущенных фич за год. Может показаться, что если сложить аплифты всех успешных A/B-тестов, то мы как раз и получим искомый результат.

На самом деле нет.

Проблема в том, что мы привыкли оценивать эффекты изолированно — для каждой отдельной фичи в рамках каждого конкретного эксперимента. Но мы забываем про совокупный эффект (Cumulative Effect) и взаимодействие изменений.

Возможно, новые пуши раздражают пользователей, пришедших к нам из-за новой фичи, и увеличивают отток. В изолированных тестах оба изменения зелёные 🟢. Вместе они могут гасить друг друга и не давать прокрасы или, что хуже, убивать LTV.

Чтобы понять, как все наши изменения в сумме влияют на пользователя на длинной дистанции, обычного A/B-теста недостаточно. Нам нужна глобальная контрольная группа (ГКГ/ГЦГ).

ГКГ (global holdout group) — это сегмент пользователей, который изолируется от всех (или большинства) изменений и маркетинговых коммуникаций на длительный срок.

Если в классическом тесте мы держим контроль 2 недели, то ГКГ живет 3, 6 или 12 месяцев. Это наша «тихая гавань» в шторме релизов.

Как это работает на практике?

Механика внедрения обычно делится на два типа, у каждого свои плюсы и минусы.

🏘 Тип 1. Статическая ГКГ (Static Holdout)

Вы просто отрезаете кусок аудитории (например, 5% по User ID) и «замораживаете» их навсегда.

➕ Плюс: идеально чистые данные для расчета LTV — вы точно знаете историю каждого пользователя.

➖ Минус: со временем эта группа «протухает». Пользователи, живущие в продукте год (а то и больше), отличаются от новичков. Группа перестаёт быть репрезентативной и оценка эффектов становится нечестной.

🎢 Тип 2. Ротируемая ГКГ (Rolling Holdout)

Пользователи попадают в контроль на фиксированное время (например, на 90 дней), а затем возвращаются в общую массу, заменяясь новыми.

➕ Плюс: выборка всегда свежая, нет смещения (bias).

➖ Минус: сложнее математика. Вы не можете оценить эффекты длиннее окна ротации.

Главное ограничение использования ГКГ: «Мы теряем деньги!»

Внедрение ГКГ — это всегда битва с заказчиками. Маркетинг кричит: «Если мы не отправим промокоды этим 5% людей, мы недополучим миллионы выручки!».

Здесь важно объяснить два момента:
🟠 Мы не теряем, мы инвестируем в знание.
🟠 Без ГКГ мы летим вслепую. Мы можем тратить бюджет на SMS, которые не приносят инкрементальной выручки. Стоимость ГКГ — это плата за то, чтобы не сжигать бюджет впустую на остальной базе.

Эффект может быть обратным. Бывают кейсы, когда глобальная контрольная группа показывает LTV выше, чем основная база. Это значит, что ваши коммуникации настолько назойливы, что вы не зарабатываете, а теряете деньги на маркетинге. Без ГКГ вы бы никогда об этом не узнали.

Резюмирую: если ваш продукт предполагает длительные отношения с клиентом (подписка, банкинг, e-commerce, телеком) — локальных тестов мало. Локальный тест отвечает на вопрос: «Как эта кнопка влияет на клики сегодня?» ГКГ отвечает на вопрос: «Становится ли наш бизнес здоровее от всего, что мы делаем?».

Ставьте реакции, если было полезно!

📈 Симулейтив | ВК | YouTube