dev.ua продовжує цикл матеріалів про професії в ІТ і диджиталі. Сьогодні своїм досвідом та оглядом ділиться Роман Панасюк, дата-аналітик у продуктовій IT-компанії Quarks.
dev.ua продовжує цикл матеріалів про професії в ІТ і диджиталі. Сьогодні своїм досвідом та оглядом ділиться Роман Панасюк, дата-аналітик у продуктовій IT-компанії Quarks.
Аналітик — це спеціаліст, який розкладає дані на складові, щоб знайти відповіді на запитання, які хвилюють бізнес. Можна сказати, що аналітик відрізняється від інших людей тим, що він здатен знайти в даних більше інформації та підказок ніж це можуть зробити інші спеціалісти. На які запитання аналітики шукають відповіді:
Ці запитання є загальними, проте кожен аналітик відповідає на запитання в межах зони відповідальності його команди.
Крім того, щоб відповідати на питання, аналітик генерує гіпотези, щодо покращення продукту, і тестує їх за допомогою А/В тестів, які потім оцінює та ухвалює фінальне рішення за цією зміною. Інколи ухвалювати рішення досить просто — прибутки зросли, юзери щасливі, але інколи буває так що результати не однозначні, або, крім показників користувачів, потрібно враховувати навантаження на технічну інфраструктуру, тому ухвалення рішення перетворюється на справжнє мистецтво.
В аналітику не вийде ввійти лише з університетськими знаннями. Ринок праці досить вимогливий, тому багато чого я вивчав самостійно — шукав освітні матеріали та підтягував ту чи іншу навичку. З мого досвіду, для першої роботи у сфері IT вам знадобиться декілька пунктів.
Математична база. Особливо статистика, аналіз даних та основи лінійної алгебри. Ці дисципліни слугують інструментами в процесі аналізу та суттєво допомагають приймати рішення. Особливу увагу варто звернути на такі розділи:
Усе це, а також бази даних, аналіз даних та інші фундаментальні математичні дисципліни я опанував в університеті. Тоді в мене сформувалося чітке відчуття того, що після вивчення настільки абстрактних дисциплін, мені вдасться розібратися будь із чим у майбутньому.
Водночас я не можу сказати, що математична база — це необов’язково. Набагато важливіше вміти приймати рішення та аналітично мислити.
SQL. Ця мова запитів — основний інструмент для «спілкування» з базою даних. З її допомогою аналітик «дістає» потрібну інформацію, на основі якої він буде робити висновки для продуктової команди. Джуну достатньо розібратися, як за допомогою SQL створюються та модифікуються таблиці (DDL) або їхній вміст (DML), а також як здійснювати базові запити, щоб витягнути необхідні для аналізу дані (DQL). Крім цього, варто розібратися у відмінностях між різними типами баз даних.
Візуалізація. Щоби бачити, як різні метрики «поводяться» в динаміці, інтерпретувати та сприймати зміни, аналітики користуються інструментами Tableau та Power BI. Вони схожі в можливостях візуалізації. Однак Power BI є частиною інфраструктури від Microsoft, тому його зручно використовувати разом з іншими продуктами цієї компанії. Натомість Tableau підтримується усіма платформами, тому фахівці, що працюють на iOS, на Windows і на Linux, можуть вільно обмінюватися файлами одне з одним. Також варто вивчити основні види візуалізацій доступні в цих інструментах, та розібратися, які більше підходять до тих чи інших випадків.
Мова програмування Python або R. Як правило, на посаді ви будете використовувати одну мову. Яку саме — роботодавці зазначають в описі вакансії. Тому вчити обидві необов’язково, але ознайомитися з базовими принципами кожної не завадить. Сьогодні більш поширеною та універсальною мовою є Python, тож для неї можна знайти набагато більше освітніх матеріалів та прикладних статей, ніж для R.
Розуміння базових метрик. Ось перелік тих, із якими варто ознайомитися, з яким продуктом ви б не працювали:
Крім цього, потрібно розібратися у відмінностях між абсолютними та відносними метриками, а з часом — яка сукупність метрик повніше відповідає на певне питання. Залежно від специфіки конкретного продукту, аналітик може зіштовхуватися і з іншими метриками. Я найчастіше працюю з кількістю лайків і повідомлень на одного користувача.
Вміння проводити A/B-тести. Це основний інструмент перевірки гіпотез. Тому варто розібратися, як його проводити та які підходи будуть ефективно діяти саме для ваших бізнес-завдань.
Англійська мова. На старті вистачить рівня B1. Щоб розвиватися, потрібно читати профільні туторіали, статті, дивитися навчальні відео та слухати подкасти, а все це зазвичай англійською мовою. Усною англійською спеціалісти-джуни в продуктових компаніях послуговуються не так часто (якщо це не англомовна команда) — здебільшого вона потрібна менеджерам або сеньйорам, які більше спілкуються з партнерами.
Додатково. У вимогах до вакансій часто трапляється пункт «Володіння Excel». Зазвичай його використовують компанії так званої традиційної економіки — і для візуалізацій, і для демонстрації певної аналітики, і просто для зберігання певних даних. На моєму досвіді, у продуктовій команді Excel потрібен не дуже часто, але розуміння базових принципів роботи точно не завадить.
Також не зайве хоча б частково розібратися у Data Science — які моделі машинного навчання існують, у яких ситуаціях використовуються, яка математика за ними стоїть. Спробуйте вирішити декілька задач за допомогою машинного навчання. Навряд чи ви будете щодня користуватися цими знаннями, але добре мати їх в арсеналі як додатковий інструмент, який може знадобитися.
Вміння спілкуватися з людьми й робота в команді. Продуктові аналітики регулярно взаємодіють з іншими командами — наприклад, з аналітиками інших проєктів, розробниками, retention-командою тощо. Їм часто доводиться пояснювати та узгоджувати свої ідеї та пропозиції, з’ясовувати, як працює та чи інша частина продукту, вирішувати суперечливі моменти. Якщо виникають останні — ми послуговуємося цілями на період і вирішуємо, що в пріоритеті.
Організованість та увага до дрібниць. Аналітик часто першим дізнається, що щось пішло не так (якщо це не стосується суто технічних деталей). Для цього він формує звичку регулярно продивлятися основні показники та зайвий раз запитувати себе: «Чому так?».
Що більше працюєш, то більше з’являється дрібних і не дуже завдань, про які треба пам’ятати лише тобі. Тому мій менеджер дав мені просту пораду — записуй усе, важливе й не дуже.
Для цього є безліч програм на кшталт Trello й Todoist. Особисто я користуюся звичайним застосунком-блокнотом: в одній нотатці прописую список задач, в інших — сирі ідеї та гіпотези. Так нічого не губиться і не забувається.
Тайм-менеджмент. Ще одним аспектом є тайм-менеджмент, адже навіть джуніор-аналітик стикається з легкими, на перший погляд, завданнями, які забирають багато часу. Якщо такі задачі накопичуються, це призводить до додаткових проблем. Тому я планую завдання в Google Calendar і виділяю окремі часові слоти під конкретні, а особливо під регулярні, завдання. Так не забуваю про подію і трекаю час для кожної задачі.
Здатність ухвалювати рішення. У деяких ситуаціях немає однозначно правильного шляху, але навіть тоді потрібно брати на себе відповідальність — і за рішення, і за його наслідки. На перший погляд здається, що це дуже важко — морально та емоційно, але на позитивний результат працює вся команда, а помилки — це нормально, якщо швидко їх знаходити та виправляти.
